第(1/3)页

    办公室的白板上写满了字。

    李明的粉笔停在半空，眉头皱成一个疙瘩。

    他转身看向另外四个同伴，又看看坐在会议桌旁的贾瀞雯。

    “贾总，这个‘网页爬虫’的概念……我们研究了三天，还是有点不明白。”他放下粉笔，拍了拍手上的粉灰，“文档上说，要让程序像蜘蛛一样在网上爬，自动发现和收集网页。

    但具体怎么实现？”

    张涛推了推眼镜，翻开陈浩写的技术框架文档：“这里写了一些思路--从几个种子网站开始，提取页面上的链接，然后访问这些链接，再提取新链接。

    理论上可行，但实际做起来问题很多。”

    “什么问题？”贾瀞雯问。

    “比如，有些网站不允许被访问。”说话的是王磊，团队里最年轻的一个，北大研究生在读，“还有，网页格式千奇百怪，怎么准确提取链接？再比如，如果程序陷入死循环怎么办？”

    贾瀞雯点点头。

    这些她也不懂，但她知道该问谁。

    “今天先到这里。”她看看表，“晚上我打电话问问陈总。

    大家继续研究其他部分，分词算法那边有进展吗？”

    张涛摇摇头：“更难。

    英文有空格分隔单词，中文是连在一起的。

    ‘中华人民共和国’怎么分？是‘中华’‘人民’‘共和国’，还是‘中华人民’‘共和国’？不同的分法，意思差别很大。”

    会议室里一阵沉默。

    五个年轻人你看看我，我看看你，都从对方眼里看到同样的困惑--这个项目，比他们想象的要难得多。

    晚上八点，贾瀞雯在办公室拨通了陈浩的电话。

    “喂？”陈浩的声音有点喘，背景里有嘈杂的人声。

    “在忙？”

    “刚下戏，换衣服呢。”陈浩走到安静的地方，“说吧，今天遇到什么问题了？”

    贾瀞雯把白天的讨论复述了一遍。

    陈浩听完，笑了：“正常，这些确实是难点。

    你记一下，我一个个说。”

    贾瀞雯拿起笔。

    “第一，爬虫的伦理问题。

    我们要遵守rObOtS协议，就是网站根目录下的一个文本文件，告诉爬虫哪些页面可以访问，哪些不行。

    这个必须遵守，不然我们会惹麻烦。”

    “第二，网页格式问题。

    现在网页主要是HTML，虽然各家写法不一样，但基本结构是固定的。

    链接都在＜a href=＞标签里，用正则表达式可以提取。”

    贾瀞雯打断：“正则表达式是什么？”

    “一种文本匹配的方法。”陈浩解释，“比如你要找所有以‘http://’开头的字符串。
    第(1/3)页