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("google.com").save_as
这个是将一串字符串转化成数组的方法
(1) 在默认无参传入的时候 ,是以空格为间隔 ,获得数组
pry(main)> " now's the time".split=> ["now's", "the", "time"]
(2) 如果接受一个字符参数 ,那么会按照这个字符参数进行分割变成数组
pry(main)> "mellow yellow".split("ello")=> ["m", "w y", "w"]
(3)如果接受的是两个参数 ,后面的参数是用来确定分割数组里面元素的个数,如果在按规则分割的时候 剩下多余的就变成一个元素
pry(main)> "mellow,yellow".split(//,4)=> ["m", "e", "l", "low,yellow"]
(4)当然split 参数 也接受正则表达式,如下
pry(main)> "hi mom".split(%r{\s*})=> ["h", "i", "m", "o", "m"]