ruby - 使用 Kimurai gem 进行网页抓取

标签 ruby web-scraping

我正在使用 Kimurai Ruby gem 进行网络抓取.我有这个脚本,效果很好:

require 'kimurai'

class SimpleSpider < Kimurai::Base
  @name = "simple_spider"
  @engine = :selenium_chrome
  @start_urls = ["https://apply.workable.com/taxjar/"]

  def parse(response, url:, data: {})
    # Update response to current response after interaction with a browser
    count = 0
    # browser.click_button "Show more"
    doc = browser.current_response
    returned_jobs = doc.css('.careers-jobs-list-styles__jobsList--3_v12')
    returned_jobs.css('li').each do |char_element|
        # puts char_element
        title = char_element.css('a')[0]['aria-label']
        link = "https://apply.workable.com" + char_element.css('a')[0]['href']

        #click on job link and get description
        browser.visit(link)
        job_page = browser.current_response
        description = job_page.xpath('/html/body/div[1]/div/div[1]/div[2]/div[2]/div[2]').text

        puts '*******'
        puts title
      puts link
        puts description
        puts count += 1
    end
    puts "There are #{count} jobs total"
  end
end

SimpleSpider.crawl!

但是,我希望这一切都返回一个对象数组……在本例中为作业。我想在解析方法中创建一个作业数组并执行类似 jobs << [title, link, description, company] 的操作在returned_jobs里面循环并在我调用 SimpleSpider.crawl! 时返回它但这不起作用。

感谢任何帮助。

最佳答案

您可以像这样稍微修改您的代码:

class SimpleSpider < Kimurai::Base
  @name = "simple_spider"
  @engine = :selenium_chrome
  @start_urls = ["https://apply.workable.com/taxjar/"]

  def parse(response, url:, data: {})
    # Update response to current response after interaction with a browser
    count = 0
    # browser.click_button "Show more"
    doc = browser.current_response
    returned_jobs = doc.css('.careers-jobs-list-styles__jobsList--3_v12')

    jobs = []
    returned_jobs.css('li').each do |char_element|
        # puts char_element
        title = char_element.css('a')[0]['aria-label']
        link = "https://apply.workable.com" + char_element.css('a')[0]['href']

        #click on job link and get description
        browser.visit(link)
        job_page = browser.current_response
        description = job_page.xpath('/html/body/div[1]/div/div[1]/div[2]/div[2]/div[2]').text

        jobs << [title, link, description]
    end

    puts "There are #{jobs.count} jobs total"
    puts jobs
  end
end

我不确定公司的情况,因为我在您的代码中没有看到该变量。但是,您可以在上面看到调用数组并对其进行处理的想法。

这是在终端中运行的部分输出:

Screen

我还有一篇博文here关于如何在 Ruby on Rails 应用程序中使用 Kimurai 框架。

关于ruby - 使用 Kimurai gem 进行网页抓取,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59956507/

相关文章:

ruby - 在 IDE 之外运行自己编写的 ruby​​ 程序

ruby - Imap 文件夹只返回一部分电子邮件

python - 从 python 中的嵌套 URL 中抓取并解析表

java - 在开发中为 gae 应用程序抓取数据并将其上传到 prod 还是应该在 prod 中抓取更容易?

java - "view page source"上不可见的 html 元素

javascript - 使用javascript执行服务器端ruby文件

ruby - 以编程方式确定 Ruby 中 SSL 证书的到期日期