Question

我正在寻找有关在网站上连续浏览网页的最佳方式的帮助，同时从每个页面抓取相关数据。

例如，我想去一个特定的网站（下面的示例中的craigslist），从第一页抓取数据，转到下一页，抓取所有相关数据等，直到最后一页。

在我的脚本中，我使用while循环，因为它似乎对我最有意义。但是，它似乎没有正常工作，只是从第一页抓取数据。

熟悉Ruby / Mechanize的人可以指出我正确的方向，完成这项任务的最佳方法是什么。我花了无数个小时试图解决这个问题，觉得我错过了一些非常基本的东西。

提前感谢您的帮助。

require 'mechanize'
require 'pry'

# initialze
agent = Mechanize.new { |agent| agent.user_agent_alias = 'Mac Safari'}
url = "http://charlotte.craigslist.org/search/rea"
page = agent.get(url)

# Create an empty array to dump contents into
property_results = []

# Scrape all successive pages from craigslist
while page.link_with(:dom_class => "button next") != nil
    next_link = page.link_with(:dom_class => "button next")  
    page.css('ul.rows').map do |d|  
        property_hash = { title: d.at_css('a.result-title.hdrlnk').text }    
        property_results.push(property_hash)    
    end  
    page = next_link.click
end

更新：我找到了这个，但仍然没有骰子：

Ruby Mechanize: Follow a Link

@pguardiario

require 'mechanize'
require 'httparty'
require 'pry'

# initialze
agent = Mechanize.new 
url = "http://charlotte.craigslist.org/search/rea"
page = agent.get(url)

#create Empty Array
property_results = []

# Scrape all successive pages from craigslist
while link = page.at('[rel=next]')
  page.css('ul.rows').map do |d|  
    property_hash = { title: d.at_css('a.result-title.hdrlnk').text }    
    property_results.push(property_hash)
  end
    link = page.at('[rel=next]')
    page = agent.get link[:href]
 end
pry(binding)

Answer 1

每当您看到[rel=next]时，您想要遵循的是：

page = agent.get url
do_something_with page
while link = page.at('[rel=next]')
  page = agent.get link[:href]
  do_something_with page
end

使用Ruby Mechanize来刮取所有连续页面

Ruby Mechanize: Follow a Link

1 个答案: