LeetCode 1236. 网络爬虫（BFS/DFS）

Michael阿明

发布于 2021-02-19 10:12:04

8310

发布于 2021-02-19 10:12:04

文章被收录于专栏：Michael阿明学习之路

文章目录

1. 题目

给定一个链接 startUrl 和一个接口 HtmlParser ，请你实现一个网络爬虫，以实现爬取同 startUrl 拥有相同域名标签 的全部链接。该爬虫得到的全部链接可以任何顺序返回结果。

你的网络爬虫应当按照如下模式工作：

自链接 startUrl 开始爬取
调用 HtmlParser.getUrls(url) 来获得链接url页面中的全部链接
同一个链接最多只爬取一次
只输出域名与 startUrl 相同的链接集合

如上所示的一个链接，其域名为 example.org。简单起见，你可以假设所有的链接都采用 http协议并没有指定端口。例如，链接 http://leetcode.com/problems 和 http://leetcode.com/contest 是同一个域名下的，而链接http://example.org/test 和 http://example.com/abc 是不在同一域名下的。

HtmlParser 接口定义如下： 

interface HtmlParser {
  // 返回给定 url 对应的页面中的全部 url 。
  public List<String> getUrls(String url);
}

下面是两个实例，用以解释该问题的设计功能，对于自定义测试，你可以使用三个变量 urls, edges 和 startUrl。注意在代码实现中，你只可以访问 startUrl ，而 urls 和 edges 不可以在你的代码中被直接访问。

示例 1：

输入：
urls = [
  "http://news.yahoo.com",
  "http://news.yahoo.com/news",
  "http://news.yahoo.com/news/topics/",
  "http://news.google.com",
  "http://news.yahoo.com/us"
]
edges = [[2,0],[2,1],[3,2],[3,1],[0,4]]
startUrl = "http://news.yahoo.com/news/topics/"
输出：[
  "http://news.yahoo.com",
  "http://news.yahoo.com/news",
  "http://news.yahoo.com/news/topics/",
  "http://news.yahoo.com/us"
]

示例 2：

输入：
urls = [
  "http://news.yahoo.com",
  "http://news.yahoo.com/news",
  "http://news.yahoo.com/news/topics/",
  "http://news.google.com"
]
edges = [[0,2],[2,1],[3,2],[3,1],[3,0]]
startUrl = "http://news.google.com"
输入：["http://news.google.com"]
解释：startUrl 链接到所有其他不共享相同主机名的页面。
 
提示：
1 <= urls.length <= 1000
1 <= urls[i].length <= 300
startUrl 为 urls 中的一个。
域名标签的长为1到63个字符（包括点），只能包含从‘a’到‘z’的ASCII字母、‘0’到‘9’的数字以及连字符即减号（‘-’）。
域名标签不会以连字符即减号（‘-’）开头或结尾。
关于域名有效性的约束可参考:  https://en.wikipedia.org/wiki/Hostname#Restrictions_on_valid_hostnames
你可以假定url库中不包含重复项。

来源：力扣（LeetCode）链接：https://leetcode-cn.com/problems/web-crawler 著作权归领扣网络所有。商业转载请联系官方授权，非商业转载请注明出处。

2. 解题

简单的BFS或者DFS模板题

2.1 BFS

/**
 * // This is the HtmlParser's API interface.
 * // You should not implement it, or speculate about its implementation
 * class HtmlParser {
 *   public:
 *     vector<string> getUrls(string url);
 * };
 */

class Solution {
public:
    vector<string> crawl(string startUrl, HtmlParser htmlParser) {
        unordered_set<string> visited;
        visited.insert(startUrl);
        queue<string> q;
        q.push(startUrl);
        vector<string> ans;
        string cur, domain;
        while(!q.empty())
        {
        	cur = q.front();
            ans.push_back(cur);
        	q.pop();
        	domain = getdomain(cur);
        	vector<string> sub = htmlParser.getUrls(cur);
        	for(string& link : sub)
        	{
        		if(getdomain(link) == domain && !visited.count(link))
        		{
        			q.push(link);
        			visited.insert(link);
        		}
        	}
        }
        return ans;
    }
    string getdomain(string& url) 
    {
    	auto it = find(url.begin()+7, url.end(), '/');
    	return string(url.begin(), it);
    }
};

184 ms 32.9 MB

2.2 DFS

class Solution {
    unordered_set<string> visited;
    vector<string> ans;
public:
    vector<string> crawl(string startUrl, HtmlParser htmlParser) {
        visited.insert(startUrl);
        dfs(startUrl, htmlParser);
        return ans;
    }
    void dfs(string& cur, HtmlParser& htmlParser)
    {
        ans.push_back(cur);
        string domain = getdomain(cur);
        vector<string> sub = htmlParser.getUrls(cur);
        for(string& link : sub)
        {
            if(getdomain(link) == domain && !visited.count(link))
            {
                visited.insert(link);
                dfs(link, htmlParser);
            }
        }
    }
    string getdomain(string& url) 
    {
        auto it = find(url.begin()+7, url.end(), '/');
        return string(url.begin(), it);
    }
};

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2020/07/23 ，如有侵权请联系 cloudcommunity@tencent.com 删除

http