在线时间:8:00-16:00
迪恩网络APP
随时随地掌握行业动态
扫描二维码
关注迪恩网络微信公众号
10月12日突然对Ruby产生兴趣了,于是就找了本书《Programming Ruby 1.9》来看,结果被它迷上了。长期以来我一直认为我知道的各种编程语言都不够好,一直想自己设计一门语言。看了Ruby之后,发现的它的语法和语义正是我想要的,尤其是它的Mix in机制,是我寻找了好久的一个功能,Ruby有了,而且实现的很好,这一点很令人兴奋。唯一不同的是我想设计的是静态类型的语言,而Ruby是动态类型的,一旦引入类型的声明,语法就会很复杂,比如Scala,各有优劣,Scala也是个不错的语言。 上次学Lua的时候,两天学会,然后两天做了一个练习《绘制任意二元不等式的图像表示》。Ruyb比Lua复杂很多,要想学会估计至少需要两个星期。连着看了四五天书以后,每天一段时间看书,一段时间做练习。这次做什么练习呢?离线浏览代理服务器。 老早以前使用离线浏览的目的有两个:一是网速很慢,提前把网页下载好后,就可以飞速浏览;二是做电子书,把把网页下载到文件里,适当地做一些编辑,然后编译成CHM格式的电子书。现在做离线浏览则有两个新的目的:一是保存有时效的内容,比如cnBeta网站的新闻评论在文章发布24小时之后就不再显示了,保存到本地之后则可以不受此限制;二是可以内建一个搜索引擎,检索自己需要的内容。根据这两个目的,确定的方案是把网页下载保存到数据库里,然后做一个代理服务器,当请求的网址在数据库中存在时从数据库返回内容,不存在时再从外网获取内容。以下是我的实现: webclient.rb 访问网址,返回响应1require 'net/http' 2 3module Proxies 4 Fiddler = Net::HTTP::Proxy('localhost', 8888) 5end 6 7class WebClient 8 def initialize(proxy = nil, user_agent = 'WebSpider') 9 @http = if proxy then proxy else Net::HTTP end 10 @user_agent = user_agent 11 end 12 13 def visit(url, params = nil, rest = nil) 14 uri = URI.parse(URI.encode(url)) 15 uri.query = URI.encode_www_form(params) if params 16 puts "Get #{uri}" 17 @http.start(uri.host, uri.port) do |http| 18 request = Net::HTTP::Get.new uri.request_uri 19 request["User-Agent"] = @user_agent 20 response = http.request request 21 22 puts "#{response.code}#{response.message}" 23 puts "wait #{sleep rest}" if rest 24 response 25 end 26 end 27end mongodoc.rb 把要保存到数据库的数据转成hash表website.rb 定义网站和网页类1require_relative 'mongodoc' 2 3class Website 4 attr_accessor :domain, :encoding 5 def initialize(domain, encoding) 6 @domain = domain 7 @encoding = encoding 8 end 9end 10 11class Webpage 12 include MongoDoc::Document 13 attr_accessor :url, :data 14 def initialize(url, data) 15 @url = url 16 @data = data 17 end 18end database.rb 创建数据库连接websites.rb 针对特定的网站定义需要保存的网址列表,从网页中提取信息和处理网页的方法1require 'nokogiri' 2require 'date' 3require_relative 'webclient' 4require_relative 'website' 5require_relative 'database' 6 7module Websites 8 Cnbeta = Website.new('cnbeta.com', Encoding::GBK) 9 def Cnbeta.page_list(client) 10 latest = get_latest(client).to_i 11 recent = get_recent().to_i 12 if recent == 0 then recent = latest - 200 end 13 for id in recent.upto(latest) 14 yield "http://www.cnbeta.com/articles/#{id}.htm" 15 end 16 end 17 18 def Cnbeta.get_latest(client) 19 response = client.visit("http://www.cnbeta.com/") 20 if response.is_a? Net::HTTPOK 21 text = response.body.force_encoding(encoding) 22 doc = Nokogiri::HTML(text) 23 url = doc.css("div.newslist>dl>dt>a").first["href"] 24 id = url.match(/\/(?<id>\d+)\.htm/)["id"] 25 end 26 end 27 28 def Cnbeta.get_recent() 29 website = WebsitesDb.collection(domain) 30 if webpage = website.find(pubDate:{"$gt" => DateTime.now.prev_day.to_time}).sort(pubDate:"asc").next 31 id = webpage["url"].match(/\/(?<id>\d+)\.htm/)["id"] 32 end 33 end 34 35 def Cnbeta.process_page(client, webpage) 36 puts "process #{webpage["url"]}" 37 id = webpage["url"].match(/\/(?<id>\d+)\.htm/)["id"] 38 text = webpage["data"].to_s.force_encoding(encoding) 39 40 begin 41 if text =~ /^<meta http-equiv="refresh"/ 42 return nil 43 end 44 rescue ArgumentError => error 45 puts error.message 46 end 47 48 doc = Nokogiri::HTML(text) 49 title = doc.css("#news_title").inner_html.encode("utf-8") 50 time = doc.css("#news_author > span").inner_html.encode("utf-8").match(/\u53D1\u5E03\u4E8E (?<time>.*)\|/)["time"] 51 52 time = DateTime.parse(time + " +0800") 53 if time < DateTime.now.prev_day 54 puts "skip" 55 return nil 56 end 57 58 if g_content = doc.css("#g_content").first 59 comments = client.visit("http://www.cnbeta.com/comment/g_content/#{id}.html", nil, 0.2).body.force_encoding("utf-8") 60 g_content.inner_html = comments.encode(encoding) 61 end 62 63 if normal = doc.css("#normal").first 64 comments = client.visit("http://www.cnbeta.com/comment/normal/#{id}.html", nil, 0.2).body.force_encoding("utf-8") 65 normal.inner_html = comments.encode(encoding) 66 end 67 68 webpage["title"] = title 69 webpage["pubDate"] = time.to_time 70 if g_content and normal 71 webpage["data"] = BSON::Binary.new(doc.to_html) 72 else 73 puts "Comment on #{id} skipped" 74 end 75 puts "done" 76 return webpage 77 end 78end webspider.rb 运行此文件下载、处理和保存网页1require_relative 'websites' 2 3class WebSpider 4 def initialize(proxy = nil) 5 @client = WebClient.new proxy 6 end 7 8 def collect(site) 9 website = WebsitesDb.collection(site.domain) 10 site.page_list(@client) do |pageUrl| 11 if webpage = website.find_one(url:pageUrl) 12 if processed = site.process_page(@client, webpage) 13 website.save(processed) 14 end 15 elsif webpage = collect_page(pageUrl) 16 webpage.data = BSON::Binary.new(webpage.data) 17 webpage = webpage.to_hash 18 if processed = site.process_page(@client, webpage) 19 website.insert(processed) 20 else 21 website.insert(webpage) 22 end 23 end 24 end 25 end 26 27 def collect_page(pageUrl) 28 response = @client.visit(pageUrl, nil, 0.5) 29 case response 30 when Net::HTTPOK 31 webpage = Webpage.new pageUrl, response.body 32 else 33 return 34 end 35 end 36end 37 38# spider = WebSpider.new Proxies::Fiddler 39spider = WebSpider.new 40spider.collect Websites::Cnbeta proxyserver.rb 运行此文件启动代理服务,并且挂载离线搜索页面1# encoding: utf-8 2require "webrick" 3require "webrick/httpproxy" 4require_relative 'database' 5 6class OfflineProxyServer < WEBrick::HTTPProxyServer 7 def do_GET(req, res) 8 uri = req.request_uri.to_s 9 WebsitesDb.collections.each do |site| 10 if page = site.find_one(url:uri) 11 @logger.info("Found #{uri}") 12 res['connection'] = "close" 13 res.status = 200 14 res.body = page["data"].to_s 15 return 16 end 17 end 18 super 19 end 20end 21 22def search_db(keyword) 23 keyword.force_encoding("utf-8") 24 site = WebsitesDb.collection("cnbeta.com") 25 site.find(title:/#{keyword}/).sort(pubDate:"desc").limit(100).to_a 26end 27 28search = WEBrick::HTTPServlet::ProcHandler.new ->(req, resp) do 29 keyword = req.query["keyword"].to_s 30 result = if keyword.empty? then [] else search_db(keyword) end 31 resp['Content-Type'] = "text/html" 32 resp.body = %{ 33 <html> 34 <head><meta charset="utf-8"><title>离线搜索</title><style>form{margin-left:30px}li{margin:10px}</style></head> 35 <body> 36 <form> 37 <em>cnBeta</em> 38 <input type="text" name="keyword" value="#{keyword}"><input type="submit" value="搜索"> 39 </form> 40 <ul> 41#{ 42 result.map{|page|"<li><a href=#{page['url']} target=_blank>#{page['title']}</a> #{page['pubDate']}</li>"}.join 43 } 44 </ul> 45 </body></html> 46} 47end 48 49server = OfflineProxyServer.new(Port: 9999) 50server.mount("/search", search) 51Signal.trap(:INT){ server.shutdown } 52server.start 先运行webspider.rb,之后启动proxyserver.rb,在浏览器中把代理服务器设置成localhost:9999,就可以离线浏览已经在数据库保存过的网站。打开http://localhost:9999/search,就可以看到离线搜索页面。 来张图,看一下离线搜索的效果 如果你也想运行这个程序,需要以下步骤:
C语言关注的是底层功能,Ruby关注的是高层功能,程序员应该把Ruby当作日常语言。通过这个练习,大家也可以看到Ruby写的代码简短易读,功能强大。整个程序全部代码加起来只有231行,很有说服力。当然了,这只是一个初始的版本,肯定有不足之处,请高手指正。在这个基础还可以增加新的功能,比如过滤广告,全文检索等等,发挥你的想象力! |
2023-10-27
2022-08-15
2022-08-17
2022-09-23
2022-08-13
请发表评论