Ruby爬虫header发送cookie，nokogiri解析html数据

之前用php写过一个爬虫，同样是获取局域网的网站数据，这次我使用相同的网络环境，更低的电脑配置，使用ruby来再次爬虫，惊人的发现ruby使用自带的类库net/http爬取速度要远远超过php的curl_*函数。在循环爬取网页时，ruby的cpu占用率上达到了40-70%，而php仅仅使用了可怜的5-10%，目前还不知这其中的奥秘，理论上都是使用的单线程，差距这么大是解释器还是类库的差距呢？

不管了，以后再做性能测试，简单说一下过程。

安装两个包

gem install mysql2

gem install nokogiri

导入三个相当必要的包

require 'net/http'
require 'mysql2'
require 'nokogiri'

1. net/http相当于php的curl函数，可以实现http请求，模拟浏览器一样的请求，发送给http服务器得到返回数据。
2. mysql2，mysql连接，相当于java的jdbc，实现数据库读写
3. nokogiri，这是一个html的dom解析类库，可以快速的解析html，获得节点下的属性，文本，子节点等

开始

完整代码

require 'net/http'
require 'mysql2'
require 'nokogiri'

client = Mysql2::Client.new(:host => 'localhost',:username => 'root', :database => 'cslg', :encoding => 'utf8');

url = []

#示例网站罢了
url << "http://www.baidu.com"
sql = ""

url.each do |u|
    u = URI(u);
    http = Net::HTTP.new(u.host,u.port);
    headers = {
        'Cookie'=>''#设置访问时的cookie，如果没有则不需要传入这个headers散列
    }

    doc = http.get(u,headers)  #发送请求

    html = Nokogiri::HTML(doc.body)   #html格式化

    tds=html.xpath("//td")   #找到所有的td标签

    #过滤爬取得空或者废页面，根据实际返回页面的数据量，比如td标签过少的就是空的，不存在的
    if tds.size < 79
        next
    end

	#数据库语句准备好
    sql ="insert into teacher_base_info values(null"
    tds.each_with_index do |td,i|
        if i<74 && i>8
            text = td.text.strip
            if !(text.include?"：")
                sql+=",'#{text.to_s.addslashes}'"
            elsif i==57 || i==66 || i==73
	            #拼接数据库语句
                sql+=",'#{text.split("：")[1].to_s.addslashes}'"
            end
        end
    end
    sql+=")"
    puts sql
    client.query(sql)

end

分析

首先连接到数据库：

client = Mysql2::Client.new(:host => 'localhost',:username => 'root', :password=>'' :database => 'xxx', :encoding => 'utf8');

主机，用户名，密码，数据库，编码等参数

需要的变量：

url = []
url << "http://www.baidu.com"
sql = ""

主要是地址，需要遍历的话则使用数组存储地址，然后是数据库语句存储字符串，后面用于拼接语句

对数组遍历，开始爬虫：

	u = URI(u);

    http = Net::HTTP.new(u.host,u.port);
    headers = {
        'Cookie'=>''#设置访问时的cookie，如果没有则不需要传入这个headers散列
    }

	doc = http.get(u,headers)

对于网页的访问，需要提供的有：地址，端口，get参数（或者post参数），还有header中的信息

那么对于那些需要登录的网站，往往需要提供cookie来保持会话，那么headers变量可以存储散列，将键值对放入其中，就可以发送请求同时发送已经登录获得的cookie

cookie的值从开发者工具中获取，chrome F12

headers变量键值对遵循上面的规则，并且Ruby中使用“=>”定义散列中的元素

URI类，URI方法可以格式化字符串地址，成为uri对象

Net::HTTP.new()返回一个http对象，调用get方法可以访问地址，第一个是uri对象，第二个是header散列，提供header信息

如果我的地址中存在?x=xx&y=yy&z=zz这样的的get参数呢？

依然使用上述方法！将u=URI(地址包括get)取得的u传入http.get的第一个参数，get中的参数会被自动发送到http，并不会遗漏

解析html

爬下来之后，需要对html进行解析，ruby我采用了nokogiri，php可以使用“Simple HTML DOM”

使用nokogiri格式化取得的html文件：

html = Nokogiri::HTML(doc.body)   #html格式化

tds=html.xpath("//td")   #找到所有的td标签

xpath方法可以获得所有指定标签，前面要加“//”

tds将会是一个对象数组，可以用each或者each_with_index遍历

通过.text.to_s获取标签里的内容，就像js的innerText！

nokogiri使用说明

拼接sql语句

sql+=",'#{text.to_s.addslashes}'"
sql+=",'#{text.split("：")[1].to_s.addslashes}'"

将逗号放在前面会相对方便，不会有多余的“，”出现

addslashes是我自己写的方法，扩展了ruby的String类，主要是为了避免sql语句中出现单引号！这很重要，因为爬下来的数据经常会出现单引号，一般我转化为html的转义符，这是安全的

class String
    def addslashes
        self.gsub(/\'/,''')
    end
end

最后：数据爬取简单，数据分析难！写入数据库要做很多的分析，如何解析html或者json，如何格式化字符串，得到想要的内容，如何建立合适的表，合适的字段，并且如何将数据一一对应的插入进去，这些比爬虫本身复杂多