Question

我正在使用Anemone进行网络抓取。我在MongoDB中存储了蜘蛛的结果。 Anemone可以很容易地做到这一点：

  Anemone.crawl("http://www.example.com/") do |anemone|
    anemone.storage = Anemone::Storage.MongoDB
  end

为specified here。

但是，使用上面的代码，Anemone收集并存储了许多我不需要的信息，包括每个页面的响应。我只需要存储URL。而且，尽管花费了the documentation的时间，但我无法弄清楚如何告诉Anemone 不来存储某些信息。

有人可以提供建议吗？

Answer 1

您需要调整Page类，以便它不会存储额外的数据。如下所示：

module Anemone
  class Page
    def to_hash
      {'url' => @url.to_s,
       'links' => links.map(&:to_s),
       'code' => @code,
       'visited' => @visited,
       'depth' => @depth,
       'referer' => @referer.to_s,
       'fetched' => @fetched}
    end
    def self.from_hash(hash)
      page = self.new(URI(hash['url']))
      {'@links' => hash['links'].map { |link| URI(link) },
       '@code' => hash['code'].to_i,
       '@visited' => hash['visited'],
       '@depth' => hash['depth'].to_i,
       '@referer' => hash['referer'],
       '@fetched' => hash['fetched']
      }.each do |var, value|
        page.instance_variable_set(var, value)
      end
      page
    end
  end
end
Anemone.crawl("http://www.example.com/") do |anemone|
  anemone.storage = Anemone::Storage.MongoDB
end

我看了内部已经有一段时间但是如果我没记错的话，页面需要包含链接，深度，提取和其他一些元数据，因此它知道它已经抓取了什么以及什么它已经离开了。

希望这有帮助。

Answer 2

在使用ruby 1.9.2的Rails 3.0.10中，似乎你必须使用启动器。

配置/ initilizers / anemone.rb

Anemone::Page.module_eval do
  def to_hash
    {'url' => @url.to_s,
     'links' => links.map(&:to_s),
     'code' => @code,
     'visited' => @visited,
     'depth' => @depth,
     'referer' => @referer.to_s,
     'redirect_to' => @redirect_to.to_s,
     'response_time' => @response_time,
     'fetched' => @fetched}
  end

  def self.from_hash(hash)
    page = self.new(URI(hash['url']))
    {'@links' => hash['links'].map { |link| URI(link) },
     '@visited' => hash['visited'],
     '@code' => hash['code'].to_i,
     '@depth' => hash['depth'].to_i,
     '@referer' => hash['referer'],
     '@redirect_to' => URI(hash['redirect_to']),
     '@response_time' => hash['response_time'].to_i,
     '@fetched' => hash['fetched']
    }.each do |var, value|
      page.instance_variable_set(var, value)
    end
    page
  end
end

如何防止海葵存储某些信息？

2 个答案: