Question

我正在使用Nokogiri打开关于各个国家/地区的维基百科页面，然后从interwiki链接（链接到外语wikipedias）中提取其他语言的这些国家/地区的名称。但是，当我尝试打开the page for France时，Nokogiri不会下载整页。也许它太大了，无论如何它不包含我需要的interwiki链接。我怎么强迫它下载所有？

这是我的代码：

url = "http://en.wikipedia.org/wiki/" + country_name
page = nil
begin
  page = Nokogiri::HTML(open(url))
rescue   OpenURI::HTTPError=>e
  puts "No article found for " + country_name
end

language_part = page.css('div#p-lang')

测试：

with country_name = "France"
=> []

with country_name = "Thailand"
=> really long array that I don't want to quote here,
   but containing all the right data

也许这个问题超越了Nokogiri并进入OpenURI - 无论如何我需要找到解决方案。

Answer 1

Nokogiri没有检索页面，它要求OpenURI使用Open :: URI返回的StringIO对象上的内部read来执行此操作。

require 'open-uri'
require 'zlib'

stream = open('http://en.wikipedia.org/wiki/France')
if (stream.content_encoding.empty?)
  body = stream.read
else
  body = Zlib::GzipReader.new(stream).read
end

p body

以下是您可以关键的内容：

>> require 'open-uri' #=> true
>> open('http://en.wikipedia.org/wiki/France').content_encoding #=> ["gzip"]
>> open('http://en.wikipedia.org/wiki/Thailand').content_encoding #=> []

在这种情况下，如果它是[]，AKA“text / html”，它会读取。如果它是["gzip"]则解码。

完成上述所有操作并将其扔到：

require 'nokogiri'
page = Nokogiri::HTML(body)
language_part = page.css('div#p-lang')

应该让你回到正轨。

在完成上述所有操作之后，请在视觉上确认您正在获得可用的内容：

p language_part.text.gsub("\t", '')

参见Casper的回答和评论为什么你看到两个不同的结果。最初看起来Open-URI在处理返回数据方面不一致，但根据Casper的说法，以及我使用curl看到的内容，维基百科并没有尊重大型文档的“Accept-Encoding”标头并返回gzip。对于今天的浏览器来说这是相当安全的，但是像Open-URI这样不会自动检测编码的客户端会遇到问题。这就是上面的代码应该有助于解决的问题。

Answer 2

在经历了相当多的问题之后，问题就在这里：

> wget -S 'http://en.wikipedia.org/wiki/France'
Resolving en.wikipedia.org... 91.198.174.232
Connecting to en.wikipedia.org|91.198.174.232|:80... connected.
HTTP request sent, awaiting response...
  HTTP/1.0 200 OK
  Content-Language: en
  Last-Modified: Fri, 01 Jul 2011 23:31:36 GMT
  Content-Encoding: gzip <<<<------ BINGO!
  ...

您需要解压缩gzip压缩数据，open-uri不会自动执行此操作解决方案：

def http_get(uri)
  url = URI.parse uri

  res = Net::HTTP.start(url.host, url.port) { |h|
    h.get(url.path)
  }

  headers = res.to_hash
  gzipped = headers['content-encoding'] && headers['content-encoding'][0] == "gzip"
  content = gzipped ? Zlib::GzipReader.new(StringIO.new(res.body)).read : res.body

  content
end

然后：

page = Nokogiri::HTML(http_get("http://en.wikipedia.org/wiki/France"))

Answer 3

require 'open-uri'
require 'zlib'

open('Accept-Encoding' => 'gzip, deflate') do |response|
  if response.content_encoding.include?('gzip')
    response = Zlib::GzipReader.new(response)
    response.define_singleton_method(:method_missing) do |name|
      to_io.public_send(name)
    end
  end

  yield response if block_given?

  response
end

Nokogiri为什么不加载整页？

3 个答案: