Ruby中实现网页抓取，一般用的是mechanize，使用非常简单。

安装

复制代码 代码如下:

sudo gem install mechanize

抓取网页

复制代码 代码如下:

require 'rubygems'

require 'mechanize'

agent = Mechanize.new

page = agent.get('http://google.com/')

模拟点击事件

复制代码 代码如下:

page = agent.page.link_with(:text => 'News').click

模拟表单提交

复制代码 代码如下:

google_form = page.form('f')

google_form["q"] = 'ruby mechanize'

page = agent.submit(google_form, google_form.buttons.first)

pp page

分析页面，mechanize用的是nokogiri解析网页的，所以可以参照nokogiri的文档

复制代码 代码如下:

table = page.search('a')

text = table.inner_text

puts text

有几点注意的地方： 如果需要先登录的网页，那么可以在网站先登录，登录后记录JSESSIONID，然后赋值给agent

复制代码 代码如下:

cookie = Mechanize::Cookie.new("JSESSIONID", "BA58528B76124698AD033EE6DF12B986:-1")

cookie.domain = "datamirror.csdb.cn"

cookie.path = "/"

agent.cookie_jar.add!(cookie)

如果需要保存网页，使用.save_as，(或许save也可以，我没试过)例如

复制代码 代码如下:

agent.get("http://google.com").save_as

小技巧

puts Mechanize::AGENT_ALIASES 可以打印出所有可用的user_agent

puts Mechanize.instance_methods(false) 输出Mechanize模块的所有方法

puts Mechanize.instance_methods() 输出Mechanize模块的所有方法以及所继承的类的函数