Ruby Anemone爬行器为访问的每个url添加一个标签

Question

我设置了一个爬网：

require 'anemone'

Anemone.crawl("http://www.website.co.uk", :depth_limit => 1) do |anemone|
anemone.on_every_page do |page|
  puts page.url
end
end

然而，我希望蜘蛛在它访问的每个URL上都使用谷歌分析反跟踪标签，而不一定真的点击链接。

我可以使用爬行器一次，存储所有的网址，并使用WATIR遍历它们，添加标记，但我希望避免这样做，因为它很慢，而且我喜欢skip_links_like和页面深度函数。

我怎么才能实现它呢？

Answer 1

在加载之前，您想要向URL添加一些内容，对吗？为此，您可以使用focus_crawl。

Anemone.crawl("http://www.website.co.uk", :depth_limit => 1) do |anemone|
    anemone.focus_crawl do |page|
        page.links.map do |url|
            # url will be a URI (probably URI::HTTP) so adjust
            # url.query as needed here and then return url from
            # the block.
            url
        end
    end
    anemone.on_every_page do |page|
        puts page.url
    end
end

用于过滤URL列表的focus_crawl方法：

指定一个区块，该区块将选择每个页面上要遵循的链接。该块应返回一个URI对象数组。

但您也可以将其用作通用URL过滤器。

例如，如果您想将atm_source=SiteCon&atm_medium=Mycampaign添加到所有链接，那么您的page.links.map将如下所示：

page.links.map do |uri|
    # Grab the query string, break it into components, throw out
    # any existing atm_source or atm_medium components. The to_s
    # does nothing if there is a query string but turns a nil into
    # an empty string to avoid some conditional logic.
    q = uri.query.to_s.split('&').reject { |x| x =~ /^atm_(source|medium)=/ }

    # Add the atm_source and atm_medium that you want.
    q << 'atm_source=SiteCon' << 'atm_medium=Mycampaign'

    # Rebuild the query string 
    uri.query = q.join('&')

    # And return the updated URI from the block
    uri
end

如果您atm_source或atm_medium包含非URL安全字符，则对它们进行URI编码。