Question

我想用Nokogiri遍历一些HTML文档。获取XML对象后，我想让Nokogiri使用的最后一个URL获取文档作为我的JSON响应的一部分。

def url = "http://ow.ly/hh8ri"     
doc = Nokogiri::HTML(open(url)
...

Nokogiri在内部将其重定向到http://www.mp.rs.gov.br/imprensa/noticias/id30979.html，但我希望能够访问它。

我想知道“doc”对象是否可以访问某些URL作为属性或其他内容。有人知道解决方法吗？

顺便说一句，我想要完整的URL，因为我正在遍历HTML以找到<img>标签，而有些则有相关的标签，如：“/ media/image/image.png”，然后我调整了一些使用：

URI.join(url, relative_link_url).to_s

图片网址应为：

http://www.mp.rs.gov.br/media/imprensa/2013/01/30979_260_260__trytr.jpg

而不是：

http://ow.ly/hh8ri/media/imprensa/2013/01/30979_260_260__trytr.jpg

编辑：IDEA

class Scraper < Nokogiri::HTML::Document
  attr_accessor :url

  class << self

    def new(url)
        html = open(url, ssl_verify_mode: OpenSSL::SSL::VERIFY_NONE)
        self.parse(html).tap do |d|
            url = URI.parse(url)
            response = Net::HTTP.new(url.host, url.port)
            head = response.start do |r|
              r.head url.path
            end 
            d.url = head['location']
        end
    end
  end
end

Answer 1

使用Mechanize。 URL将始终转换为绝对值：

require 'mechanize'
agent = Mechanize.new
page = agent.get 'http://ow.ly/hh8ri'
page.images.map{|i| i.url.to_s}
#=> ["http://www.mp.rs.gov.br/images/imprensa/barra_area.gif", "http://www.mp.rs.gov.br/media/imprensa/2013/01/30979_260_260__trytr.jpg"]

Answer 2

因为您的示例使用的是OpenURI，这是要求的代码，而不是Nokogiri。 Nokogiri不知道内容的来源。

OpenURI可以轻松告诉您：

require 'open-uri'

starting_url = 'http://www.example.com'
final_uri = nil

puts "Starting URL: #{ starting_url }"

io = open(starting_url) { |io| final_uri = io.base_uri }
doc = io.read

puts "Final URL: #{ final_uri.to_s }"

哪个输出：

Starting URL: http://www.example.com
Final URL: http://www.iana.org/domains/example

base_uri记录在OpenURI::Meta模块中。

Answer 3

我最近遇到了完全相同的问题。我所做的是创建一个继承自Nokogiri::HTML::Document的类，然后重写new类方法来解析文档，然后将url保存在一个带有访问器的实例变量中：

require 'nokogiri'
require 'open-uri'

class Webpage < Nokogiri::HTML::Document
  attr_accessor :url

  class << self

    def new(url)
      html = open(url)
      self.parse(html).tap do |d|
        d.url = url
      end
    end
  end
end

然后你可以创建一个新的Webpage，它可以访问Nokogiri::HTML::Document所有常规方法：

w = Webpage.new("http://www.google.com")
w.url
#=> "http://www.google.com"
w.at_css('title')
#=> [#<Nokogiri::XML::Element:0x4952f78 name="title" children=[#<Nokogiri::XML::Text:0x4952cb2 "Google">]>]

如果你有一个从图像标签获得的相对网址，你可以通过将url访问者的返回值传递给URI.join来使其绝对：

relative_link_url = "/media/image/image.png"
=> "/media/image/image.png"
URI.join(w.url, relative_link_url).to_s
=> "http://www.google.com/media/image/image.png"

希望有所帮助。

P.S。这个问题的标题很容易引起误解。 “访问Nokogiri HTML文档的URL”更加清晰。

如果获得一个完整的URL，给出一个缩短的URL传递给Nokogiri？

3 个答案: