Ruby中爬虫的实现

发表于 更新于 分类于 Waline：
Ruby使用mechanize抓取网页：安装mechanize后，agent.get抓取页面；link_with.click模拟点击；表单提交；nokogiri解析页面；JSESSIONID处理登录；save_as保存文件。

Ruby 中实现网页抓取，一般用的是 mechanize，使用非常简单。安装

sudo gem install mechanize

抓取网页

require 'rubygems'
require 'mechanize'
agent = Mechanize.new
page = agent.get('http://google.com/')

模拟点击事件

page = agent.page.link_with(:text => 'News').click

模拟表单提交

google_form = page.form('f')
google_form["q"] = 'ruby mechanize'
page = agent.submit(google_form, google_form.buttons.first)
pp page

分析页面，mechanize 用的是 nokogiri 解析网页的，所以可以参照 nokogiri 的文档

table = page.search('a')
text = table.inner_text
puts text

有几点注意的地方： 如果需要先登录的网页，那么可以在网站先登录，登录后记录 JSESSIONID，然后赋值给 agent

cookie = Mechanize::Cookie.new("JSESSIONID", "BA58528B76124698AD033EE6DF12B986:-1")
cookie.domain = "datamirror.csdb.cn"
cookie.path = "/"
agent.cookie_jar.add!(cookie)

如果需要保存网页，使用 save_as，(或许 save 也可以，我没试过) 例如

agent.get("http://google.com").save_as