ruby 爬虫 Spidr 用法

Spidr 是一个Ruby 的网页爬虫库，可以将整个网站、多个网站、某个链接完全抓取到本地。

安装方法：sudo gem install spidr

• 从一个网址开始爬

    Spidr.start_at('http://tenderlovemaking.com/')
  

• 爬一个host:

    Spidr.host('coderrr.wordpress.com')
  

• 爬一个网站：

    Spidr.site('http://rubyflow.com/')
  

• 多个 hosts:

    Spidr.start_at(
      'http://company.com/',
      :hosts => [
        'company.com',
        /host\d\.company\.com/
      ]
    )
  

• 忽略某个地址:

    Spidr.site('http://matasano.com/', :ignore_links => [/log/])
  

• 忽略端口:

    Spidr.site(
      'http://sketchy.content.com/',
      :ignore_ports => [8000, 8010, 8080]
    )
  

• 打印出爬到的网址:

    Spidr.site('http://rubyinside.org/') do |spider|
      spider.every_url { |url| puts url }
    end
  

• 打印出失败的网址:

    Spidr.site('http://sketchy.content.com/') do |spider|
      spider.every_failed_url { |url| puts url }
    end
  

• 搜索 HTML 或 XML 页面:

    Spidr.site('http://company.withablog.com/') do |spider|
      spider.every_page do |page|
        puts "[-] #{page.url}"
  
        page.search('//meta').each do |meta|
          name = (meta.attributes['name'] || meta.attributes['http-equiv'])
          value = meta.attributes['content']
  
          puts "    #{name} = #{value}"
        end
      end
    end
  

• 打印出每个页面的title:

    Spidr.site('http://www.rubypulse.com/') do |spider|
      spider.every_html_page do |page|
        puts page.title
      end
    end
  

• F访问表头来获取网站用的那种web servers:

    servers = Set[]
  
    Spidr.host('generic.company.com') do |spider|
      spider.all_headers do |headers|
        servers << headers['server']
      end
    end
  

• 在被禁止的页面停止spider:

    spider = Spidr.host('overnight.startup.com') do |spider|
      spider.every_forbidden_page do |page|
        spider.pause!
      end
    end
  

• 跳过处理一些页面:

    Spidr.host('sketchy.content.com') do |spider|
      spider.every_missing_page do |page|
        spider.skip_page!
      end
    end
  

• 跳过处理一些链接:

    Spidr.host('sketchy.content.com') do |spider|
      spider.every_url do |url|
        if url.path.split('/').find { |dir| dir.to_i > 1000 }
          spider.skip_link!
        end
      end
    end