spidr

Spidr

• Página principal
• Fuente
• Asuntos
• Lista de correo

Descripción

SPIDR es una biblioteca versátil Ruby Web Spidering que puede arañar un sitio, múltiples dominios, ciertos enlaces o infinitamente. SPIDR está diseñado para ser rápido y fácil de usar.

Características

• Sigue:
  • a etiqueta.
  • Etiquetas de iframe .
  • Etiquetas frame .
  • Enlaces protegidos por cookies.
  • HTTP 300, 301, 302, 303 y 307 redireccionamientos.
  • Meta-refresh redirige.
  • HTTP Auth básico de enlaces protegidos.
• URL de lista negra o de lista blanca basadas en:
  • Esquema de URL.
  • Nombre de host
  • Número de puerto
  • Enlace completo
  • Extensión de URL
  • Soporte opcional /robots.txt .
• Proporciona devoluciones de llamada para:
  • Cada página visitada.
  • Cada URL visitada.
  • Cada URL visitada que coincide con un patrón especificado.
  • Cada origen y destino URI de un enlace.
  • Cada URL que no se visitó.
• Proporciona métodos de acción para:
  • Pausa de araña.
  • Skip Processing of Pages.
  • Skip Processing de enlaces.
• Restaurar la cola y la historia de una sesión anterior.
• Cadenas de agentes de usuario personalizados.
• Configuración de proxy personalizada.
• Soporte HTTPS.

Ejemplos

Comience a arener desde una URL:

 Spidr . start_at ( 'http://tenderlovemaking.com/' ) do | agent |
  # ...
end

Spider A Host:

 Spidr . host ( 'solnic.eu' ) do | agent |
  # ...
end

Araña un dominio (y cualquier subdominio):

 Spidr . domain ( 'ruby-lang.org' ) do | agent |
  # ...
end

Spider A Sitio:

 Spidr . site ( 'http://www.rubyflow.com/' ) do | agent |
  # ...
end

Spider Múltiples hosts:

 Spidr . start_at ( 'http://company.com/' , hosts : [ 'company.com' , /host[ d ]+ . company . com/ ] ) do | agent |
  # ...
end

No arañen ciertos enlaces:

 Spidr . site ( 'http://company.com/' , ignore_links : [ %{^/blog/} ] ) do | agent |
  # ...
end

No sean enlaces en ciertos puertos:

 Spidr . site ( 'http://company.com/' , ignore_ports : [ 8000 , 8010 , 8080 ] ) do | agent |
  # ...
end

No enlaces de araña en la lista negra en robots.txt:

 Spidr . site ( 'http://company.com/' , robots : true ) do | agent |
  # ...
end

Imprima las URL visitadas:

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

Construya un mapa de URL de un sitio:

 url_map = Hash . new { | hash , key | hash [ key ] = [ ] }

Spidr . site ( 'http://intranet.com/' ) do | spider |
  spider . every_link do | origin , dest |
    url_map [ dest ] << origin
  end
end

Imprima las URL que no se pudieron solicitar:

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

Encuentra todas las páginas que tienen enlaces rotos:

 url_map = Hash . new { | hash , key | hash [ key ] = [ ] }

spider = Spidr . site ( 'http://intranet.com/' ) do | spider |
  spider . every_link do | origin , dest |
    url_map [ dest ] << origin
  end
end

spider . failures . each do | url |
  puts "Broken link #{ url } found in:"

  url_map [ url ] . each { | page | puts "  #{ page } " }
end

Buscar páginas HTML y XML:

 Spidr . site ( 'http://company.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

Imprima los títulos de cada página:

 Spidr . site ( 'https://www.ruby-lang.org/' ) do | spider |
  spider . every_html_page do | page |
    puts page . title
  end
end

Imprima cada redirección HTTP:

 Spidr . host ( 'company.com' ) do | spider |
  spider . every_redirect_page do | page |
    puts " #{ page . url } -> #{ page . headers [ 'Location' ] } "
  end
end

Encuentre qué tipos de servidores web están utilizando un host, accediendo a los encabezados:

 servers = Set [ ]

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

Pausa la araña en una página prohibida:

 Spidr . host ( 'company.com' ) do | spider |
  spider . every_forbidden_page do | page |
    spider . pause!
  end
end

Omita el procesamiento de una página:

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

Omita el procesamiento de enlaces:

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

Requisitos

• Ruby> = 2.0.0
• Nokogiri ~> 1.3

Instalar

$ gem install spidr

Licencia

Consulte {Archivo: License.txt} para obtener información de licencia.