Ruby Anemone spider为每个访问过的url添加了一个标签

时间:2011-09-08 10:56:05

标签: ruby web-crawler anemone

我有一个抓取设置:

require 'anemone'

Anemone.crawl("http://www.website.co.uk", :depth_limit => 1) do |anemone|
anemone.on_every_page do |page|
  puts page.url
end
end

但是,我希望蜘蛛在其访问的每个网址上使用Google分析反跟踪代码,而不一定实际点击链接。

我可以使用蜘蛛一次并存储所有的URL并使用WATIR来运行它们添加标记,但我想避免这种情况,因为它很慢,我喜欢skip_links_like和页面深度函数。 / p>

我怎么能实现这个?

1 个答案:

答案 0 :(得分:3)

您想在加载之前向URL添加内容,对吗?您可以使用focus_crawl

Anemone.crawl("http://www.website.co.uk", :depth_limit => 1) do |anemone|
    anemone.focus_crawl do |page|
        page.links.map do |url|
            # url will be a URI (probably URI::HTTP) so adjust
            # url.query as needed here and then return url from
            # the block.
            url
        end
    end
    anemone.on_every_page do |page|
        puts page.url
    end
end

用于过滤网址列表的focus_crawl方法:

  

指定一个块,该块将选择每个页面上要遵循的链接。该块应该返回一个URI对象数组。

但您也可以将其用作通用网址过滤器。

例如,如果您想将atm_source=SiteCon&atm_medium=Mycampaign添加到所有链接,那么您的page.links.map将如下所示:

page.links.map do |uri|
    # Grab the query string, break it into components, throw out
    # any existing atm_source or atm_medium components. The to_s
    # does nothing if there is a query string but turns a nil into
    # an empty string to avoid some conditional logic.
    q = uri.query.to_s.split('&').reject { |x| x =~ /^atm_(source|medium)=/ }

    # Add the atm_source and atm_medium that you want.
    q << 'atm_source=SiteCon' << 'atm_medium=Mycampaign'

    # Rebuild the query string 
    uri.query = q.join('&')

    # And return the updated URI from the block
    uri
end

如果您atm_sourceatm_medium包含非URL安全字符,则对其进行URI编码。