Ruby 脚本实现数据爬取

工作上使用Redis，为了测试其性能，需要大量的测试数据，所以利用周末的时间用ruby写了个脚本，跑了一天，从搜搜问问和百度知道爬了大量的数据下来，分成问题和答案，总共有50万条数据，大小也就50M左右；周一去上班，写了一个ruby脚本连接Redis数据库，再循环分别导入问题和答案数据，这样测试数据就有了，由于测试机器内存的限制，导入的测试数据总共100万条，占内存1G。

下面想说说ruby脚本的结构，很简单，还有需要改进的地方，但是脚本就是一次性的工具，如没有通用性可能，有没有必要再改进另当其说。

建立http连接功能使用了内部包含的gem包open-uri，解析获取到的页面对象，并抓取特定的document元素，使用的gem是nokogiri，脚本分几个功能部分，各负其责，分别介绍如下：

递归抓取页面所有超级链接(spider_url.rb)

#!/usr/bin/ruby -w
require 'rubygems'

require 'nokogiri'

require 'open-uri'
load 'spider_document.rb'
class URL

attr_accessor :available_url, :pre_url, :visited_url, :error_url
def initialize
    @available_url = {}	
    @visited_url = {}
    @error_url = {}
    @pre_url = "http://wenwen.soso.com"	
end

# 抓取页面上的所有超链接，形如 'href...'
def crawl_url (target_url)
	puts '获取超级链接页面地址 -&gt; ' + target_url
	temp_available_url = {}

	begin
	   open(target_url) do |uri|	  
	      doc_content = uri.read
	      doc_content.scan(/href=["|'](.+?)["|']/) do |href_item|
	         url = href_item[0]
                     # TODO pattern is not exactely
		 url.match(/.z./) do |m|
					
		 # build hash {url=&gt;real url} 
		 if !@visited_url.has_key?(url) 
		   temp_available_url["#{url}"] = url 
		   @visited_url["#{url}"] = url
		 end
					
		 # puts '新增访问url：' + url
		 end
		 # url=@target_url.match(/(http:\/\/([^\/]+))\//)[1] &lt;&lt; url if url =~ /^\//
	      end				
	   end			
	rescue
	   puts $!
	   @error_url["#{target_url}"] = target_url
	   puts 'error' 
	end
	temp_available_url
end


def crawl_content (target_url)
    doc = Document.new
    doc.crawl_content(target_url)				
end			

end
url_spider = URL.new

puts 'url spider begining ...'
url_spider.available_url = url_spider.crawl_url("http://wenwen.soso.com")

while(!url_spider.available_url.empty?)

url_spider.available_url.each do |key,value|

url_spider.crawl_content(url_spider.pre_url + value)

url_spider.available_url = url_spider.available_url.merge url_spider.crawl_url(url_spider.pre_url + value)

url_spider.available_url.delete(key)

puts 'current available_url size : ' + url_spider.available_url.size.to_s

end

end
puts 'Total available_url size : ' + url_spider.available_url.size.to_s

puts 'Total visited_url size : ' + url_spider.visited_url.size.to_s

puts 'Total error_url size : ' + url_spider.error_url.size.to_s

解析页面文档(spider_document.rb)

#!/usr/bin/ruby -w
require 'rubygems'

require 'nokogiri'

require 'open-uri'
class Document

@@quesion_count = 0

@@answer_count = 0
def get_question (page)
   questionArray = page.css('div.qa_title')
   questionArray.each do |question|
   #puts question.text
   File.open("question.txt",'a') { |f|
     f.puts question.text.strip.delete "快速回答".strip
   }
   end

 @@quesion_count = @@quesion_count + questionArray.size
 puts "current question count is : [" + @@quesion_count.to_s + "]"
end

def get_answer (page)
   answerArray = page.css('div.answer_con')
   answerArray.each do |answer|
     #puts answer.text
     File.open("answer.txt",'a') { |f|
       f.puts answer.text.strip.delete "快速回答".strip
     }
   end

   @@answer_count = @@answer_count + answerArray.size
   puts "current answer count is : [" + @@answer_count.to_s + "]"
end

def crawl_content (target_url)
    puts '抓取页面内容地址 -&gt; ' + target_url
    begin
      page = Nokogiri::HTML(open(target_url))
      get_question (page)
      get_answer (page)	
    rescue Exception =&gt; e	
          puts $!
    end	
end

end

批量导入Redis(spider_persistence.rb)

#!/usr/bin/ruby -w
require 'rubygems'

require 'nest'

require 'redis'
class Persistence
attr_accessor :redis, :question_count, :answer_count

def initialize
  @redis = Redis.new
  # @redis = Redis.new(:host=&gt;"192.168.1.67",:port=&gt;6379)
  @question_count = 0
  @answer_count = 0
end

# 批量生产账号
def batch_account
  account_namespace = Nest.new("account",@redis)

  File.open("account_email_local.txt") do |f| 
     f.each_line do |line|
             pre_str = line.chomp.split('@')[0]
	 account_namespace[line.chomp].hset("nickName",pre_str)
	 account_namespace[line.chomp].hset("email",pre_str)
         account_namespace[line.chomp].hset("passWordHash","49") # 密码为1
	 account_namespace[line.chomp].hset("answerCount","0")
	 account_namespace[line.chomp].hset("selfDescription","非理性人类一枚")
	 account_namespace[line.chomp].hset("followCount","0")
	 account_namespace[line.chomp].hset("followerCount","0")
	 account_namespace[line.chomp].hset("questionCount","0")

	 puts line.chomp + " is builded."
     end 
  end
end

# 批量生成问题集合
def batch_question
  account_namespace = Nest.new("account",@redis)
      question_namespace = Nest.new("question",@redis)
  pre_email = "rayootech" # 默认的账号 rayootech@163.com

  begin
        File.open("question.txt","r") do |file|
           file.each_line do |line|
	 # 生成随机的20位问题id
	 id = random_id(20)
							
	 if (!line.strip.empty? &amp;&amp; line.strip.length&gt;3)
	   puts "#{file.lineno} : #{line}"					
	   question_namespace[id].hset("id",id)
	   question_namespace[id].hset("content",line)
	   question_namespace[id].hset("author",pre_email+"@163.com")
	   question_namespace[id].hset("createTime","2014-01-14")
	   question_namespace[id].hset("followerCount","0")
	   question_namespace[id].hset("browseCount","1")

           # 用户和提出的问题关系集合 account:[id]:question
	   account_namespace["#{pre_email}@163.com"]["questions"].zadd(1401141645,id)
	   @question_count = @question_count + 1
	   File.open("question_id_local.txt", "a") { |f| f.puts id }
          end

       # 生成随机email地址前缀,并保存，后期生成account账号导入redis，一个email账户提500个问题
       if (@question_count%500==0)
	   pre_email = random_id(10)
	   File.open("account_email_local.txt","a"){|file|file.puts "#{pre_email}@163.com"}
       end
      end
    end	
    rescue Exception =&gt; e
      puts $!	
    end
    end

# 批量生成回答集合
def batch_answer
	account_namespace = Nest.new("account",@redis)
	qa_relation_ns = Nest.new("question",@redis)
	answer_namespace = Nest.new("answer",@redis)
	question_id = "lzj4ggcgfpmj5uxnhtgx" # 【提问时间】 默认问题id

	begin
          File.open("answer.txt","r") do |file|
                 file.each_line do |line|
	     # 生成随机的20位回答id
	     id = random_id(20)
	     author = random_account_email
                 if (!line.strip.empty?)
                     puts "#{file.lineno} : #{line}"
		 answer_namespace[id].hset("id",id)
		 answer_namespace[id].hset("content",line)
		 answer_namespace[id].hset("author",author)
		 answer_namespace[id].hset("createTime","2014-01-15")
		 answer_namespace[id].hset("approveCount","0")
		 answer_namespace[id].hset("qId",question_id)

		 # 问题和回答关系数据
		 qa_relation_ns[question_id]["answers"].zadd(1401152040,id)
		 # 问题的所有回答者关系数据
		 qa_relation_ns[question_id]["respondents"].sadd(author)
		 # 用户所有的回答数据
		 account_namespace[author]["answers"].zadd(1401159088,id)

		 @answer_count = @answer_count + 1
		 File.open("answer_id_local.txt", "a") { |f| f.puts id }
                   end

	       # 每个问题下有平均100个回答
	       if (@answer_count%100==0)
		 question_id = random_question_id	
	       end

                 end
	end	
	rescue Exception =&gt; e
	  puts $!	
	end
end

# 批量生成问题浏览者集合
def batch_question_browser
end

# 随机返回一个问题id
def random_question_id
    question_id_arr = []
    index = 0
    File.open("question_id.txt") do |f| 
      f.each_line do |line| 
	 question_id_arr[index]=line
	 index = index + 1
      end 
    end
    question_id_arr[rand(question_id_arr.size-1)].chomp
end

# 随机返回一个回答id
def random_answer_id
end

# 随机返回一个email
def random_account_email
    account_email_arr = []
    index = 0
    File.open("account_email.txt") do |f| 
      f.each_line do |line| 
	 account_email_arr[index]=line
	 index = index + 1
      end 
    end
    account_email_arr[rand(account_email_arr.size-1)].chomp
end

# 生成随机数
def random_id(len)
	   chars = ("a".."z").to_a + ("a".."z").to_a + ("0".."9").to_a
	   random_id = ""
	   1.upto(len) { |i| random_id &lt;&lt; chars[rand(chars.size-1)] }
	   return random_id
end

end
persistence = Persistence.new
1.times
puts "persistence question count : " + persistence.question_count.to_s
persistence.batch_account
1.times {|i| persistence.batch_answer }

puts "persistence answer count : " + persistence.answer_count.to_s

【译文贴】Java 界的我转向 Python 的原因

原文作者是在日韩国人 HyunwookPark 先生，最初发表于 Qiita，由 mfabian 转换成中文贴在黑客派。 HyunwookPark 先生在大阪经营着一家软件公司，留日 30 年，有 15 年编码经验，在公司上过班也体验过自由职业，曾长期从事 Java 业务编码，也涉猎过微服务、物联网、机器学习、游戏开发 ..

在 CentOS 上搭建基于 ruby on rails 的 web 工程

折腾了一下午，终于在 CentOS 上成功使用 ruby on rails 搭建了 web 服务，先上一张效果图： [图片] 安装 ruby，执行如下命令： yum install ruby 安装完成后执行 ruby -v，若输出 ruby 版本号，则表示安装成功；接着需要安装 rails，但直接执行 gem ins ..

Mac OX 下 Ruby 安装

两年前就念叨着搞一搞Ruby,一直各种拖沓没有搞成。最近遇到一个Ruby的项目，有点麻爪，下定决心这次一定把Ruby和Rails搞起来。今天时间有限先弄一下环境安装。默认情况下，Mac OS X 系统已经安装好 Ruby（最新的 Mavericks 随机的 Ruby 版本为 2.0.0p247），安装在 /Syste ..

修正“`require’: cannot load such file — openssl (LoadError)”错误

unbutu下编译ruby 2.0.0p247以后，安装RubyGems： 1 `require': cannot load such file -- openssl (LoadError) 于是google找看看究竟是怎么个情况。网上几乎都是说安装openssl-dev、libssl-dev之类，试了以后完全不好使。 ..

Python 爬虫系列（二）基本库的使用

[图片] urllib 的使用 urlib 是 python 内置的请求库，不需要额外安装 urllib 包含如下 4 个模块： request：最基本的 http 请求模块，模拟请求发送 error：异常处理模块 parse：工具模块 robotparser：用来识别网站的 robots.txt，用的很少 urlop ..

欢迎来到这里！

我们正在构建一个小众社区，大家在这里相互信任，以平等 • 自由 • 奔放的价值观进行分享交流。最终，希望大家能够找到与自己志同道合的伙伴，共同成长。

关于

Ruby 脚本实现数据爬取

1.times

puts "persistence question count : " + persistence.question_count.to_s

persistence.batch_account

相关帖子

【译文贴】Java 界的我转向 Python 的原因

在 CentOS 上搭建基于 ruby on rails 的 web 工程

ruby `require': cannot load such file

ruby 和 python 学哪个好？

Mac OX 下 Ruby 安装

修正“`require’: cannot load such file — openssl (LoadError)”错误

Python 爬虫系列（二）基本库的使用

欢迎来到这里！

近期热议

推荐标签标签

组织简介

用爱发电组织的核心驱动力：

最新标签

Ruby 脚本实现数据爬取

1.times

puts "persistence question count : " + persistence.question_count.to_s

persistence.batch_account

相关帖子

【译文贴】Java 界的我转向 Python 的原因

在 CentOS 上搭建基于 ruby on rails 的 web 工程

ruby `require': cannot load such file

ruby 和 python 学哪个好？

Mac OX 下 Ruby 安装

修正“`require’: cannot load such file — openssl (LoadError)”错误

Python 爬虫系列（二）基本库的使用

欢迎来到这里！

近期热议

推荐标签 标签

组织简介

用爱发电组织的核心驱动力：

最新标签

推荐标签标签