Mechanize使用手册

开始使用 WWW::Mechanize

本教程的目的是帮助你开始使用Mechanize。读完这篇教程之后,你将可以抓取页面,点击链接,填写和提交form,抽取数据和其他一些可能有用的事情。此教程仅仅只是涉及到了非常粗浅的功能,但因该已经足够帮助你起步了。

让我们抓取一个页面

你要做得第一件事情就是在代码里引用mechanize,然后初始化一个新的mechanize实例:

1
2
3
require 'rubygems'
require 'mechanize'
agent = WWW::Mechanize.new

现在我们将使用刚刚创建的agent来抓取一个页面。就拿Google开刀吧:

1
page = agent.get('http://google.com/')

发生了什么事情?我们让mechanize去抓取Google的主页。Mechanize会自动存贮相关的cookie,甚至会跟踪Google发过来的自动跳转。Agent会帮我们抓回来一个页面,我们可以用来抽取数据,找到并且点击链接或者填写一个form.

接下来,让我们找一些链接出来点点看。

找到链接


当你抓取页面、提交数据或者提交一个form的时候mechanzie都回返回一个page,agent将会解析抓取到的页面并且把一系列的链接放进page里面。

现在让我们尝试从刚才拿到的google主页上找出所有的链接:

1
page.links.each do |link| puts link.text end

我们能列出所有的链接,但是mechanize提供了几个更加方便的捷径帮我们找到一个链接并且点击它。假设我们需要找到一个text属性是’News’的链接并且点击。一般来说,我们会这样做:

1
page = agent.click page.links.find { |l| l.text == 'News' }

但是mechanize提供了捷径,所以我们可以这样做:

1
page = agent.click page.links.text('News')

这个捷径表示“找到所有text为’News’的链接”。你也许已经想到了“可能存在很多符合这个条件的链接”,没错!如果你把一组链接发送给“click”方法,mechanize只会点击第一个。如果你想要点击第二个,那你应该这样做:

1
agent.click page.links.text('News')[1]

我们甚至可以找到一个包含特定href的链接:
page.links.href(‘/something’)

或者把它们连起来,找到一个包含特定text和href的链接:
page.links.text(‘News’).href(‘/something’)

Mechanize提供的这些捷径可以用在任意一组你找到的东西上面,例如一组frame、iframe或者form。现在你应该已经知道如何找到并且点击链接了,让我们试试更加复杂的事情,比如填写一个form。

填写Form


让我们继续Google的例子。当前我们有了一下代码:

1
2
3
4
require 'rubygems' 
require 'mechanize'
agent = WWW::Mechanize.new
page = agent.get('http://google.com/')

如果我们打印这个页面的源代码,就会发现有一个form叫做’f’,它包含几个按钮和几个要填写的域:

1
pp page

现在我们知道了这个form的名字,让我们把它抓出来:

1
google_form = page.form('f')

Mechanize可以让你通过几种不同的方式访问form里面可以输入的域,但是最方便的方式就是把输入域当作form的一个属性来访问。所以让我们把一个叫做’q’的域的值设置成’ruby mechanize’:

1
google_form.q = 'ruby mechanize'

为了确保我们设置了这个值,让我们打印这个form,然后你应该能看到一行类似的代码:

1
#<www::Mechanize::Field:0x1403488 @name="q", @value="ruby mechanize">

如果你看到’q’的值变了,说明你成功了!现在我们可以提交这个form,’点击’提交按钮和打印结果:

1
page = agent.submit(google_form, google_form.buttons.first) pp page

我们刚刚做得事情等同于在google的搜索框里填写了’ruby mechanize’然后点击’Google Search’按钮。如果我们没有点击那个按钮而直接提交form,就等同于填写值之后按回车键。

让我们看看到现在为止写的代码:

1
2
3
4
5
6
7
8
require 'rubygems' 
require 'mechanize'
agent = WWW::Mechanize.new
page = agent.get('http://google.com/')
google_form = page.form('f')
google_form.q = 'ruby mechanize'
page = agent.submit(google_form)
pp page

在开始抓抽取数据之前,让我们深入了解一下form。除非你对数据抓取实在感兴趣。

高级form技巧


在这一节里,我想试试form里面可能包含的各种输入控件。Password和Textarea可以直接当作text控件来处理。Select非常类似 text,但是它会包含很多相关的子选项。如果你选择了一个option,mechanize会取消其他option的选择(除非允许多选!)。

例如,在一个列表里面选择一个option:

1
form.fields.name('list').options[0].select

现在让我们来看看checkbox和radio button。要选择一个checkbox,只需要这样做:

1
form.checkboxes.name('box').check

Radio button和checkbox很像,但是在选择一个radio button之后其他同名的radio button都会被取消选择。像操作checkbox一样操作radio button。

1
form.radiobuttons.name('box')[1].check

Mechanize同样可以轻易支持文件上传!只需要找到上传文件的控件,然后告诉它你想要上传的文件名:

1
form.file_uploads.file_name = "somefile.jpg"

抽取数据


Mechanize使用hpricot来解析html。这代表了什么?你可以把mechanize的page当作一个hpricot对象。在你用 machanize找到目标页面之后,就可以使用hpricot的方法来抽取上面的任何东西:
agent.get(‘http://someurl.com/').search("//p[@class='posted']")

更多关于这个强悍的数据抽取器的信息,请参考HpricotBasics.

WHY·LIAM wechat
记录生活,研究产品,分享设计,分析数据,讨论科技和商业,不定期扯淡。
如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!