我实现了一个类似于:
的抓取工具repeat
Visit each page and get all links that have not been visited.
until no new links
正在抓取的网页是
https://www.mercadoribeirao.com.br
我获得了所有链接:
<a href="produtos.php?id_sub=104&fruta-nacional" class="new_sub_menu">
Fruta Nacional </a>
在第一页中,它正确地获取链接:
https://www.mercadoribeirao.com.br/produtos.php?id_sub=253&espumante-nacional
https://www.mercadoribeirao.com.br/produtos.php?id_sub=245&frances
https://www.mercadoribeirao.com.br/produtos.php?id_sub=246&italiano
https://www.mercadoribeirao.com.br/produtos.php?id_sub=248&nacional
https://www.mercadoribeirao.com.br/produtos.php?id_sub=414&outros
但是当它访问子页面时,网址连接不正确:
https://www.mercadoribeirao.com.br/produtos.php?id_sub=388&micoses/calos/produtos.php?id_sub=388&micoses/calos/produtos.php?id_sub=388&micoses/calos/produtos.php?id_sub=388&micoses/calos/produtos.php?id_sub=197&salgadinho-e-snack
https://www.mercadoribeirao.com.br/produtos.php?id_sub=388&micoses/calos/produtos.php?id_sub=388&micoses/calos/produtos.php?id_sub=388&micoses/calos/produtos.php?id_sub=388&micoses/calos/produtos.php?id_sub=198&sardinha,-atum-e-cia
https://www.mercadoribeirao.com.br/produtos.php?id_sub=388&micoses/calos/produtos.php?id_sub=388&micoses/calos/produtos.php?id_sub=388&micoses/calos/produtos.php?id_sub=388&micoses/calos/produtos.php?id_sub=199&sopas-e-cremes
也许是因为jaunt尝试自动完成相对链接以连接url末尾的链接而不是基页。
由于某种原因,这些新创建的链接是正确的,然后总会有新的链接被访问,这种情况会无限期地发生,并且流程永远不会结束。
是否有解决此问题的解决方法?
答案 0 :(得分:0)
该错误与以“/”结尾的网址相关。当必须将相对于绝对链接转换为这些文档时,它会误解自己。
在Jaunt API 1.1.3版中识别并修复了该错误:http://jaunt-api.com/Jaunt%201.1.3%20Release%20Notes.txt