ruby - Mechanize html 抓取问题

Question

所以我正在尝试使用 ruby​​ mechanize 和 hpricot 提取我网站的电子邮件。我试图在我的管理端的所有页面上循环并使用 hpricot 解析页面。到目前为止一切顺利。然后我得到:

Exception `Net::HTTPBadResponse' at /usr/lib/ruby/1.8/net/http.rb:2022 - wrong status line: *SOME HTML CODE HERE*

当它解析一堆页面时，它以超时开始，然后打印页面的html代码。不明白为什么？我该如何调试呢？似乎 Mechanize 可以连续获得超过 10 页？？是否可以？？谢谢

<p></p>

<p>require 'logger'
require 'rubygems'
require 'mechanize'
require 'hpricot'
require 'open-uri'</p>

<p>class Harvester</p>

<p>def initialize(page)
    @page=page
    @agent = WWW::Mechanize.new{|a| a.log = Logger.new("logs.log") }
    @agent.keep_alive=false
    @agent.read_timeout=15</p>

<p>end</p>

<p>def login
    f = @agent.get( "http://****.com/admin/index.asp") .forms.first
    f.set_fields(:username => "user", :password =>"pass")
        f.submit<br/>
  end</p>

<p>def harvest(s)
    pageNumber=1
    #@agent.read_timeout = 
    s.upto(@page) do |pagenb|</p>

<pre><code>    puts "*************************** page= #{pagenb}/#{@page}***************************************"      
    begin
        #time=Time.now
        #search=@agent.get( "http://****.com/admin/members.asp?action=search&term=&state_id=&r=500&p=#{page}")          
        extract(pagenb)

    rescue => e
        puts  "unknown #{e.to_s}"
        #puts  "url:http://****.com/admin/members.asp?action=search&term=&state_id=&r=500&p=#{page}"
        #sleep(2)
        extract(pagenb)

    rescue Net::HTTPBadResponse => e
        puts "net exception"+ e.to_s
    rescue WWW::Mechanize::ResponseCodeError => ex
        puts "mechanize error: "+ex.response_code   
    rescue Timeout::Error => e
        puts "timeout: "+e.to_s
    end


end
</code></pre>

<p>end</p>

<p>def extract(page)
      #puts search.body
            search=@agent.get( "http://***.com/admin/members.asp?action=search&term=&state_id=&r=500&p=#{page}")
            doc = Hpricot(search.body)</p>

<pre><code>        #remove titles
        #~ doc.search("/html/body/div/table[2]/tr/td[2]/table[3]/tr[1]").remove 

        (doc/"/html/body/div/table[2]/tr/td[2]/table[3]//tr").each do |tr|              
            #delete the phone number from the html
            temp = tr.search("/td[2]").inner_html
            index = temp.index('<')
            email = temp[0..index-1]
            puts  email
            f=File.open("./emails", 'a')
            f.puts(email)
            f.close     
        end 
</code></pre>

<p>end</p>

<p>end</p>

<p>puts "starting extacting emails ... "</p>

<p>start =ARGV[0].to_i</p>

<p>h=Harvester.new(186)
h.login
h.harvest(start)</p>

<p></p>

Answer 1

Mechanize 将页面的全部内容放入历史记录中，这可能会导致在浏览多个页面时出现问题。要限制历史的大小，尝试

@mech = WWW::Mechanize.new do |agent|
  agent.history.max_size = 1
end