Perl WWW :: Mechanize Web Spider.如何查找所有链接
我目前正在尝试使用WWW :: Mechanize创建一个Perl webspider.
我想要做的是创建一个webspider,它将抓取URL的整个站点(由用户输入)并从站点的每个页面中提取所有链接. 到目前为止我所拥有的: use strict; use WWW::Mechanize; my $mech = WWW::Mechanize->new(); my $urlToSpider = $ARGV[0]; $mech->get($urlToSpider); print "nThe url that will be spidered is $urlToSpidern"; print "nThe links found on the url's starting pagen"; my @foundLinks = $mech->find_all_links(); foreach my $linkList(@foundLinks) { unless ($linkList->[0] =~ /^http?:///i || $linkList->[0] =~ /^https?:///i) { $linkList->[0] = "$urlToSpider" . $linkList->[0]; } print "$linkList->[0]"; print "n"; } 它能做什么: 1.目前它将提取并列出起始页面上的所有链接 2.如果找到的链接是/ contact-us或/ help格式,它会在其前面添加“http://www.thestartingurl.com”,以便它变为’http://www.thestartingurl.com/contact -我们’. 问题: 目前它还找到了我不希望它做的外部网站的链接,例如,如果我想蜘蛛’http://www.tree.com’它会找到像http://www.tree.com/find-us这样的链接. 如何阻止它找到这些外部网址? 找到页面上的所有网址后,我还想将这个新的内部链接列表保存到名为@internalLinks的新数组中,但似乎无法使其正常工作. 非常感谢任何帮助,在此先感谢. 解决方法
这应该做的伎俩:
my @internalLinks = $mech->find_all_links(url_abs_regex => qr/^Q$urlToSpiderE/); 如果你不想要css链接试试: my @internalLinks = $mech->find_all_links(url_abs_regex => qr/^Q$urlToSpiderE/,tag => 'a'); 此外,您用于将域添加到任何相对链接的正则表达式可以替换为: print $linkList->url_abs(); (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |