假设我正在尝试抓取一个网站并跳过一个这样结束的页面:
http://HIDDENWEBSITE.com/anonimize/index.php?page=press_and_news&subpage=20060117
我目前在 Ruby 中使用 Anemone gem 来构建爬虫。我正在使用 skip_links_like 方法,但我的模式似乎永远不会匹配。我试图使其尽可能通用,因此它不依赖于子页面,而仅依赖于=2105925
(数字)。
我已经尝试过/=\d+$/
,/\?.*\d+$/
但它似乎没有工作。
这类似于Skipping web-pages with extension pdf, zip from crawling in Anemone但我不能用数字而不是扩展名来实现它。
此外,使用该模式在http://regexpal.com/=\d+$
上进行测试将成功匹配http://misc.com/test/index.php?page=news&subpage=20060118
编辑:
这是我的全部代码。我想知道是否有人可以确切地看到问题所在。
require 'anemone'
...
Anemone.crawl(url, :depth_limit => 3, :obey_robots_txt => true) do |anemone|
anemone.skip_links_like /\?.*\d+$/
anemone.on_every_page do |page|
pURL = page.url.to_s
puts "Now checking: " + pURL
bestGuess[pURL] = match_freq( manList, page.doc.inner_text )
puts "Successfully checked"
end
end
我的输出是这样的:
...
Now checking: http://MISC.com/about_us/index.php?page=press_and_news&subpage=20110711
Successfully checked
...