我是Nokogiri的新手,我正试图抓住百度的搜索结果。我写了一个简单的脚本来测试。它读取搜索关键字stackoverflow
的第一页并输出文档的长度和第一页上的结果链接的计数(应该是10),它运行得非常正确。
# coding: utf-8
require 'rubygems'
require 'nokogiri'
require 'open-uri'
url = 'http://www.baidu.com/s?wd=stackoverflow&pn=0'
parsed_uri = URI.parse(URI.escape(url))
read_uri = parsed_uri.read
puts "URI read length: #{read_uri.to_s.length}"
doc = Nokogiri::HTML(read_uri)
puts "Nokogiri document length: #{doc.to_s.length}"
puts "result link count: #{doc.css('h3.t a').count}"
结果输出:
$ ruby scrap_baidu.rb
URI read length: 37659
Nokogiri document length: 38226
result link count: 10
但是当我将它移动到新的rails 3应用程序的rake任务时:
require 'nokogiri'
require 'open-uri'
namespace :batch do
desc "test"
task :test_fetch => :environment do
url = 'http://www.baidu.com/s?wd=stackoverflow&pn=0'
parsed_uri = URI.parse(URI.escape(url))
read_uri = parsed_uri.read
puts "URI read length: #{read_uri.to_s.length}"
doc = Nokogiri::HTML(read_uri)
puts "Nokogiri document length: #{doc.to_s.length}"
puts "result link count: #{doc.css('h3.t a').count}"
end
end
我的结果完全不同:
$ bundle exec rake batch:test_fetch
URI read length: 37964
Nokogiri document length: 11824
result link count: 0
文档长度完全不正确。看起来Nokogiri
表现得与众不同。我不太确定.length
是一种看待这种情况的方法,但这是我在找到差异时只能想到的。
为什么?
答案 0 :(得分:0)
Nokogiri可以对HTML进行修正,使其能够合理地解析,并截断空白文本节点,插入回车等等。
例如:
irb(main):001:0> require 'nokogiri'
true
irb(main):002:0> html = '<html><head></head><body>foo</body></html>'
"<html><head></head><body>foo</body></html>"
irb(main):003:0> html.length
42
irb(main):004:0> Nokogiri::HTML(html).to_s.length
220
irb(main):005:0> Nokogiri::HTML(html).to_s
"<!DOCTYPE html PUBLIC \"-//W3C//DTD HTML 4.0 Transitional//EN\" \"http://www.w3.org/TR/REC-html40/loose.dtd\">\n<html>\n<head><meta http-equiv=\"Content-Type\" content=\"text/html; charset=UTF-8\"></head>\n<body>foo</body>\n</html>\n"
irb(main):006:0> html = '<html> <head></head> <body>foo</body></html>'
"<html> <head></head> <body>foo</body></html>"
irb(main):007:0> Nokogiri::HTML(html).to_s
"<!DOCTYPE html PUBLIC \"-//W3C//DTD HTML 4.0 Transitional//EN\" \"http://www.w3.org/TR/REC-html40/loose.dtd\">\n<html>\n<head><meta http-equiv=\"Content-Type\" content=\"text/html; charset=UTF-8\"></head>\n<body>foo</body>\n</html>\n"
您可以通过添加/调整the parsing options来控制其解析行为。默认情况下,它使用DEFAULT_HTML
。