Ruby中实现网页抓取,一般用的是mechanize,使用非常简单。

  1.  安装
    sudo gem install mechanize
  2. 抓取网页
  3. require 'rubygems'
    require 'mechanize'
    agent = Mechanize.new
    page = agent.get('http://google.com/')
  4. 模拟点击事件
    page = agent.page.link_with(:text => 'News').click
  5. 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
  6. 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:

  1. 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)
  2. 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