Ruby中爬虫的实现

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   

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

3. 模拟点击事件

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

4. 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

5. 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