刮擦表格分页数据

时间:2015-01-23 14:48:44

标签: ruby-on-rails-3 web-scraping mechanize

包含我需要的数据的页面已将其结构更改为新的分页格式。我正在为页面更新我的刮刀。

我无法理解如何从所有不同页面收集数据。

要抓取的页面是:http://eserver.goutsi.com:8080/DPW230.cgi

我知道如何收集表格中的数据,但我无法弄清楚如何处理分页。

这是我原来的剧本:

scrape_actor = Mechanize.new
page = scrape_actor.get("http://loads.goutsi.com:8080/wntv5/BKLoad")
rows = page.body.to_s.split("</tr>")
rows.each do |row|
  if row.include? "bgcolor='#f5f5f5'"
    columns = row.split("</td>")
    i = 0
    while i < columns.count
      columns[i] = columns[i].gsub(%r{</?[^>]+?>},'').gsub(/[\n\t\r ]+/,'').gsub("&nbsp;",'')
      i+=1
    end
    username = "UTSI"
    origin = columns[0].gsub("&nbsp;","")
    pickup = Chronic.parse(columns[1]+"/"+Time.now.strftime("%Y"))
    dest = columns[3]
    comments = "miles: #{columns[4]}, phone: #{columns[9]}, other: #{columns[11]}"
    equipment = columns[6]
    ltl = false
    ltl = true if columns[7] == "LTL"
    Scrape.post_load(username,origin,dest,pickup,'',ltl,equipment,comments,'','','')
  end
end

1 个答案:

答案 0 :(得分:0)

当您点击其中一个页面链接时,页面上的javascript会使用新的页码触发发送请求到相同的路径

可在http://eserver.goutsi.com:8080/js/LoadBoard.js

的js文件中找到
function gotoPage(pageNumber) 
{
    document.getElementById("PageNbr").value= pageNumber;     // Set new page number
    document.getElementById("PageDir").value="R";             // Refresh
    document.getElementById("theForm").submit();
}

该代码提交此表单:

<form action="/DPW230.cgi" method="post" id="theForm">...

哪个领域:

<input type="hidden" id="PageDir" name="PageDir" value=" "><input type="hidden" id="PageNbr" name="PageNbr" value="1">

value在同一个javascript中更新。

这意味着您需要对此网址发布请求,并且连续的网页编号为参数 - 然后分析每个页面,然后汇总结果。