网站的树结构深度优先算法和实现广度优先算法和实现网站的树结构

通过伯乐在线网站为例子：

并且我们通过访问伯乐在线也是可以发现，我们从任何一个子页面其实都是可以返回到首页，所以当我们爬取页面的数据的时候就会涉及到去重的问题，我们需要将爬过的url记录下来，我们将上图进行更改

在爬虫系统中，待抓取URL队列是很重要的一部分，待抓取URL队列中的URL以什么样的顺序排队列也是一个很重要的问题，因为这涉及到先抓取哪个页面，后抓取哪个页面。而决定这些URL排列顺序的方法，叫做抓取策略。下面是常用的两种策略：深度优先、广度优先

深度优先

深度优先是指网络爬虫会从起始页开始，一个链接一个链接跟踪下去，处理完这条线路之后再转入下一个起始页，继续追踪链接，通过下图进行理解：

注：scrapy默认采用的是深度优先算法

这里是深度优先，所以这里的爬取的顺序式：

A-B-D-E-I-C-F-G-H (递归实现)

深度优先算法的实现（伪代码）：

广度优先

广度优先，有人也叫宽度优先，是指将新下载网页发现的链接直接插入到待抓取URL队列的末尾，也就是指网络爬虫会先抓取起始页中的所有网页，然后在选择其中的一个连接网页，继续抓取在此网页中链接的所有网页，通过下图进行理解：

还是以这个图为例子，广度优先的爬取顺序为：

A-B-C-D-E-F-G-H-I (队列实现)

广度优先代码的实现（伪代码）：

所有的努力都值得期许，每一份梦想都应该灌溉！