ruby - Anemone Ruby spider - 创建没有域名的键值数组

Question

我正在使用 Anemone爬取一个域，它工作正常。

启动抓取的代码如下所示:

require 'anemone'

Anemone.crawl("http://www.example.com/") do |anemone|
  anemone.on_every_page do |page|
      puts page.url
  end
end

这非常好地打印出域的所有页面 url，如下所示:

http://www.example.com/
http://www.example.com/about
http://www.example.com/articles
http://www.example.com/articles/article_01
http://www.example.com/contact

我想做的是创建一个键值对数组，使用 url 的最后一部分作为键，url“减去域”作为值。

例如

[
   ['','/'],
   ['about','/about'],
   ['articles','/articles'],
   ['article_01','/articles/article_01']
]

如果这是最基本的东西，我深表歉意，但我是 Ruby 新手。

Answer 1

我会先在代码块之外定义一个数组或散列，然后将您的键值对添加到其中:

require 'anemone'

path_array = []
crawl_url = "http://www.example.com/"    

Anemone.crawl(crawl_url) do |anemone|
  anemone.on_every_page do |page|
    path_array << page.url
    puts page.url
  end
end

从这里您可以将数组映射到可用的多维数组中:

path_array.map{|x| [x[crawl_url.length..10000], x.gsub("http://www.example.com","")]}

=> [["", "/"], ["about", "/about"], ["articles", "/articles"], ["articles/article_01", "/articles/article_01"], ["contact", "/contact"]] 

我不确定它是否适用于所有场景，但我认为这可以为您提供一个良好的开端，让您了解如何收集数据和处理数据。此外，如果您想要一个键/值对，您应该查看 Ruby 的类 Hash有关如何在 Ruby 中使用和创建散列的更多信息。