spidr下载 - spidr源代码下载

spidr

网站数据

1.0.0

下载

蜘蛛

首页
来源
问题
邮件列表

描述

Spidr是一个多功能的红宝石网络蜘蛛库，可以蜘蛛站点，多个域，某些链接或无限的链接。 SPIDR设计为快速易于使用。

特征

以下内容：
- a标签。
- iframe标签。
- frame标签。
- Cookie受保护的链接。
- HTTP 300、301、302、303和307重定向。
- meta-refresh重定向。
- HTTP基本AUTH受保护的链接。
基于以下方式的黑名单或白名单URL：
- URL方案。
- 主机名
- 端口号
- 完整链接
- URL扩展
- 可选/robots.txt支持。
提供回调：
- 每个访问的页面。
- 每个访问的URL。
- 每个访问的URL都匹配指定模式。
- 链接的每个来源和目的地URI。
- 每个未能访问的URL。
提供行动方法：
- 暂停蜘蛛。
- 跳过页面处理。
- 跳过链接处理。
恢复上一个会话中的蜘蛛排队和历史记录。
自定义用户代理字符串。
自定义代理设置。
HTTPS支持。

例子

从URL开始蜘蛛：

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

蜘蛛宿主：

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

蜘蛛域（以及任何子域）：

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

蜘蛛站点：

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

蜘蛛多个主机：

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

不要蜘蛛某些链接：

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

请勿在某些端口上蜘蛛链接：

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

请勿在Robots.txt中列入黑名单的蜘蛛链接：

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

打印出访问的URL：

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

构建网站的URL图：

 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

打印出无需要求的URL：

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

找到所有断开链接的页面：

 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

搜索HTML和XML页面：

 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

从每个页面打印出标题：

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

打印出每个HTTP重定向：

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

通过访问标题：查找主机正在使用的哪种Web服务器：

 servers = Set [ ]

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

在禁止页面上暂停蜘蛛：

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

跳过页面的处理：

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

跳过链接的处理：

 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