Ruby中實(shí)現(xiàn)網(wǎng)頁(yè)抓取，一般用的是mechanize，使用非常簡(jiǎn)單。
安裝
復(fù)制代碼 代碼如下:
sudo gem install mechanize
抓取網(wǎng)頁(yè)
復(fù)制代碼 代碼如下:
require 'rubygems'
require 'mechanize'
agent = Mechanize.new
page = agent.get('http://google.com/')
模擬點(diǎn)擊事件
復(fù)制代碼 代碼如下:
page = agent.page.link_with(:text => 'News').click
模擬表單提交
復(fù)制代碼 代碼如下:
google_form = page.form('f')
google_form["q"] = 'ruby mechanize'
page = agent.submit(google_form, google_form.buttons.first)
pp page
分析頁(yè)面，mechanize用的是nokogiri解析網(wǎng)頁(yè)的，所以可以參照nokogiri的文檔
復(fù)制代碼 代碼如下:
table = page.search('a')
text = table.inner_text
puts text
有幾點(diǎn)注意的地方： 如果需要先登錄的網(wǎng)頁(yè)，那么可以在網(wǎng)站先登錄，登錄后記錄JSESSIONID，然后賦值給agent
復(fù)制代碼 代碼如下:
cookie = Mechanize::Cookie.new("JSESSIONID", "BA58528B76124698AD033EE6DF12B986:-1")
cookie.domain = "datamirror.csdb.cn"
cookie.path = "/"
agent.cookie_jar.add!(cookie)
如果需要保存網(wǎng)頁(yè)，使用.save_as，(或許save也可以，我沒(méi)試過(guò))例如
復(fù)制代碼 代碼如下:
agent.get("http://google.com").save_as
小技巧
puts Mechanize::AGENT_ALIASES 可以打印出所有可用的user_agent
puts Mechanize.instance_methods(false) 輸出Mechanize模塊的所有方法
puts Mechanize.instance_methods() 輸出Mechanize模塊的所有方法以及所繼承的類的函數(shù)
