知道搜索引擎或则爬虫的大侠来看看！该怎么处理

知道搜索引擎或则爬虫的大侠来看看！！
大侠们，小弟目前在开发一个搜索引擎，请有经验的大侠提点解决方案，
比如，周期更新，增量搜索，广度搜索的层数控制，存储等等。详细具体就好。谢谢。

引用 [url=http://topic.csdn.net/u/20080419/09/62d02c8a-fd18-4b58-98ff-1d8d586a2d36.html#replyachor菜鸟挤的代码，弄了几天几夜，现在都不知道该怎么通过编译了，请大家帮帮忙[/url]]
LZ :tianjiao85

我理解爬虫程序：
e1.连接第一个服务器，先下载好一个网页数据，保存在recvBuf，继续e2
e2.从recvBuf提取http链接，存入到 web(类型map <char *,vector <char *>>)，char *段用来存储服务器也就是网站主机域名，vector <char *>>用来存储这个网站的http链接，继续e3。
e3.下载该站点下下一个网页（也就是存放在map类型中的vector <char *>段的链接），继续e2。
e4，重复e3，当第一个站点下所有http链接都完成下载，访问下个服务器，继续e1。
e5. 保存到硬盘。

每次执行e2时，遇到新的服务器，都会在web中添加一个pair <char *,vector <char *>>，既是服务器和它的网页。

程序现在没有考虑的有：
爬虫的思路的正确性
爬的层数
存储，
效率。，等，
代码只要能够运行起来，电脑爆了了也没关系，就是要验证想法，解决完这个问题后，才考虑其他问题。
所以先请大侠们，帮我看看代码，提提修改建议，
之后，欢迎大家讨论，批评，小弟一定细细聆听。

28 楼 dk385 的回复:
爬虫思路正确，网络爬虫一般就是按广度优先，或深度优先来遍历网络，但由于网络的数据是非常大的，所以采用上术的算法时还要加上必要的控制。如增加URL可以最大跳转的深度，以控制它的收敛速度。
1. 提升效率首先当然考虑多线程。
修改建议，大体上可作如下分解：
对URL的处理：分析，得到主机，端口，等。
用于维护主机名的队列: 注意到同一站点的DNS请求只做一次, 多线程共享，应考虑线程并发性，封装成类.
用于维护…

引用 31 楼 tianjiao85 的回复:
增加URL可以最大跳转的深度，以控制它的收敛速度
最大跳转的深度是只层数吗？
我看说一般最深3层，
我听有人说做到了两层，
如果是层的话，这个层控制怎么实现呢，用个记号吗？呵呵，猜测，
我想会不会要用到是个什么数据结构吧，这个层怎么实现呢？大侠。

[解决办法]
帮你顶顶
[解决办法]
帮顶 & 蹭分
[解决办法]
不懂，帮顶

知道搜索引擎或则爬虫的大侠来看看！该

热点推荐