我尝试创建一个WebCrawler,它从主页中查找链接并一次又一次地访问找到的链接。 现在我已经用解析器编写了一个代码,它向我展示了找到的链接并打印了这个主页的一些标签的统计信息,但我不知道如何在循环中访问新链接并打印统计数据。
*
@visit = {}
@src = Net::HTTP.start(@url.host, @url.port) do |http|
http.get(@url.path)
@content = @src.body
*
def govisit
if @content =~ @commentTag
end
cnt = @content.scan(@aTag)
cnt.each do |link|
@visit[link] = []
end
puts "Links on this site: "
@visit.each do |links|
puts links
end
if @visit.size >= 500
exit 0
end
printStatistics
end
答案 0 :(得分:0)
首先,您需要一个接受链接并返回正文输出的函数。然后解析身体外的所有链接并保留链接列表。如果您还没有访问该链接,请检查该列表。从新链接列表中删除这些访问过的链接,然后再次调用相同的函数并完成所有操作。
要在特定点停止抓取工具,您需要构建while循环条件。
根据您的代码:
@visited_links = []
@new_links = []
def get_body(link)
@visited_links << link
@src = Net::HTTP.start(@url.host, @url.port) { |http| http.get(@url.path) }
@src.body
end
def get_links(body)
# parse the links from your body
# check if the content does not have the same link
end
start_link_body = get_body("http://www.test.com")
get_links(start_link_body)
while @visited_links < 500 do
body = get_body(@new_links.shift)
get_links(body)
end