3

ruby mechanize と hpricot を使用して自分のウェブサイトのメールを抽出しようとしています。私の管理側のすべてのページでそのループを実行し、 hpricot.so でページを解析しようとしているのはとても良いことです。それから私は得る：

Exception `Net::HTTPBadResponse' at /usr/lib/ruby/1.8/net/http.rb:2022 - wrong status line: *SOME HTML CODE HERE*

一連のページを解析すると、タイムアウトで始まり、ページのhtmlコードが出力されます。なぜ理解できませんか？どうすればそれをデバッグできますか? 機械化すると10ページ以上連続して取得できるようです?? 出来ますか？？ありがとう




require 'logger'
require 'rubygems'
require 'mechanize'
require 'hpricot'
require 'open-uri'



class Harvester



def initialize(page)
    @page=page
    @agent = WWW::Mechanize.new{|a| a.log = Logger.new("logs.log") }
    @agent.keep_alive=false
    @agent.read_timeout=15



end



def login
    f = @agent.get( "http://****.com/admin/index.asp") .forms.first
    f.set_fields(:username => "user", :password =>"pass")
        f.submit

  end



def harvest(s)
    pageNumber=1
    #@agent.read_timeout = 
    s.upto(@page) do |pagenb|



    puts "*************************** page= #{pagenb}/#{@page}***************************************"      
    begin
        #time=Time.now
        #search=@agent.get( "http://****.com/admin/members.asp?action=search&term=&state_id=&r=500&p=#{page}")          
        extract(pagenb)

    rescue => e
        puts  "unknown #{e.to_s}"
        #puts  "url:http://****.com/admin/members.asp?action=search&term=&state_id=&r=500&p=#{page}"
        #sleep(2)
        extract(pagenb)

    rescue Net::HTTPBadResponse => e
        puts "net exception"+ e.to_s
    rescue WWW::Mechanize::ResponseCodeError => ex
        puts "mechanize error: "+ex.response_code   
    rescue Timeout::Error => e
        puts "timeout: "+e.to_s
    end


end




end



def extract(page)
      #puts search.body
            search=@agent.get( "http://***.com/admin/members.asp?action=search&term=&state_id=&r=500&p=#{page}")
            doc = Hpricot(search.body)



        #remove titles
        #~ doc.search("/html/body/div/table[2]/tr/td[2]/table[3]/tr[1]").remove 

        (doc/"/html/body/div/table[2]/tr/td[2]/table[3]//tr").each do |tr|              
            #delete the phone number from the html
            temp = tr.search("/td[2]").inner_html
            index = temp.index('<')
            email = temp[0..index-1]
            puts  email
            f=File.open("./emails", 'a')
            f.puts(email)
            f.close     
        end 




end



end



puts "starting extacting emails ... "



start =ARGV[0].to_i



h=Harvester.new(186)
h.login
h.harvest(start)

4

1 に答える 1

3

Mechanize は、ページのすべてのコンテンツを履歴に記録します。これにより、多くのページをブラウズするときに問題が発生する可能性があります。履歴のサイズを制限するには、試してください

@mech = WWW::Mechanize.new do |agent|
  agent.history.max_size = 1
end
于 2009-08-27T14:12:22.287 に答える