如何防止Anemone存储某些信息？

Question

我正在使用海葵进行一些网络爬行。我正在MongoDB中存储蜘蛛的结果。海葵可以很容易地做到这一点：

  Anemone.crawl("http://www.example.com/") do |anemone|
    anemone.storage = Anemone::Storage.MongoDB
  end

作为在此指定。

但是，使用上面的代码，Anemone收集并存储了很多我不需要的信息，包括每个页面的响应。我只需要存储URL。而且，尽管我花时间和文献资料在一起，我还是想不出如何告诉Anemone不要存储某些信息。

有人能告诉我吗？

Answer 1

您需要调整Page类，这样它就不会存储额外的数据。所以，就像：

module Anemone
  class Page
    def to_hash
      {'url' => @url.to_s,
       'links' => links.map(&:to_s),
       'code' => @code,
       'visited' => @visited,
       'depth' => @depth,
       'referer' => @referer.to_s,
       'fetched' => @fetched}
    end
    def self.from_hash(hash)
      page = self.new(URI(hash['url']))
      {'@links' => hash['links'].map { |link| URI(link) },
       '@code' => hash['code'].to_i,
       '@visited' => hash['visited'],
       '@depth' => hash['depth'].to_i,
       '@referer' => hash['referer'],
       '@fetched' => hash['fetched']
      }.each do |var, value|
        page.instance_variable_set(var, value)
      end
      page
    end
  end
end
Anemone.crawl("http://www.example.com/") do |anemone|
  anemone.storage = Anemone::Storage.MongoDB
end

我已经有一段时间没有看过内部信息了，但是如果我没记错的话，页面需要包含链接、深度、获取和其他一些元数据，这样它就知道它已经爬行了什么，它还剩下了什么。

希望这能有所帮助。

Answer 2

在Rails 3.0.10和ruby1.9.2中，您似乎必须使用初始化器。

config/initilizer/anemone.rb

Anemone::Page.module_eval do
  def to_hash
    {'url' => @url.to_s,
     'links' => links.map(&:to_s),
     'code' => @code,
     'visited' => @visited,
     'depth' => @depth,
     'referer' => @referer.to_s,
     'redirect_to' => @redirect_to.to_s,
     'response_time' => @response_time,
     'fetched' => @fetched}
  end

  def self.from_hash(hash)
    page = self.new(URI(hash['url']))
    {'@links' => hash['links'].map { |link| URI(link) },
     '@visited' => hash['visited'],
     '@code' => hash['code'].to_i,
     '@depth' => hash['depth'].to_i,
     '@referer' => hash['referer'],
     '@redirect_to' => URI(hash['redirect_to']),
     '@response_time' => hash['response_time'].to_i,
     '@fetched' => hash['fetched']
    }.each do |var, value|
      page.instance_variable_set(var, value)
    end
    page
  end
end