Ruby中爬蟲的實現

Ruby中實現網頁抓取，通常用的是mechanize，使用很是簡單。

1.  安裝

   sudo gem install mechanize

2. 抓取網頁   

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

3. 模擬點擊事件

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

4. 模擬表單提交

   google_form = page.form('f')
   google_form["q"] = 'ruby mechanize' 

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

5. 分析頁面，mechanize用的是nokogiri解析網頁的，因此能夠參照nokogiri的文檔

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

　　有幾點注意的地方：

1. 若是須要先登陸的網頁，那麼能夠在網站先登陸，登陸後記錄JSESSIONID，而後賦值給agent

   cookie = Mechanize::Cookie.new("JSESSIONID", "BA58528B76124698AD033EE6DF12B986:-1")

   cookie.domain = "datamirror.csdb.cn" 

   cookie.path = "/" 

   agent.cookie_jar.add!(cookie)

2. 若是須要保存網頁，使用.save_as，(或許save也能夠，我沒試過)例如

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