Получение всех ссылок на веб-страницу с помощью Ruby

Ответ 1

почему вы не используете группы в своем шаблоне? например.

/http[s]?:\/\/(.+)/i

поэтому первая группа уже будет ссылкой, которую вы искали.

Ответ 2

Использование регулярных выражений отлично подходит для быстрого и грязного script, но Nokogiri очень прост в использовании:

require 'nokogiri'
require 'open-uri'

fail("Usage: extract_links URL [URL ...]") if ARGV.empty?

ARGV.each do |url|
  doc = Nokogiri::HTML(open(url))
  hrefs = doc.css("a").map do |link|
    if (href = link.attr("href")) && !href.empty?
      URI::join(url, href)
    end
  end.compact.uniq
  STDOUT.puts(hrefs.join("\n"))
end

Если вам нужен только этот метод, немного его реорганизовать:

def get_links(url)
  Nokogiri::HTML(open(url).read).css("a").map do |link|
    if (href = link.attr("href")) && href.match(/^https?:/)
      href
    end
  end.compact
end

Ответ 3

Mechanize использует Nokogiri под капотом, но имеет встроенные тонкости для разбора HTML, включая ссылки:

require 'mechanize'

agent = Mechanize.new
page = agent.get('http://example.com/')

page.links_with(:href => /^https?/).each do |link|
  puts link.href
end

Использование анализатора обычно всегда лучше, чем использование регулярных выражений для синтаксического анализа HTML. Это часто задаваемый вопрос здесь о переполнении стека, причем этот является самым известным ответом. Почему это так? Поскольку создание надежного регулярного выражения, которое может обрабатывать версии HTML в реальном мире, некоторые некоторые некоторые из них не очень сложны и в конечном итоге сложнее простого решения синтаксического анализа, которое будет работать практически для всех страниц, которые будут отображаться в браузере.

Ответ 4

Я большой поклонник Нокигири, но зачем изобретать колесо?

Ruby URI модуль уже имеет способ extract для этого:

URI::extract(str[, schemes][,&blk])

Из документов:

Извлекает URI из строки. Если данный блок задан, выполняется итерация через все согласованные URI. Возвращает nil, если задан блок или массив со спичками.

require "uri"

URI.extract("text here http://foo.example.org/bla and here mailto:[email protected] and here also.")
# => ["http://foo.example.com/bla", "mailto:[email protected]"]

Вы можете использовать Nokogiri, чтобы пройти DOM и вытащить все теги с URL-адресами или получить только текст и передать его в URI.extract или просто позволить URI.extract сделать все это.

И зачем использовать парсер, например Nokogiri, вместо шаблонов регулярных выражений? Поскольку HTML и XML можно форматировать по-разному и по-прежнему правильно отображать на странице или эффективно передавать данные. Браузеры очень прощают, когда дело доходит до принятия плохой разметки. С другой стороны, шаблоны регулярных выражений работают в очень ограниченном диапазоне "приемлемости", где этот диапазон определяется тем, насколько хорошо вы ожидаете изменений в разметке или, наоборот, насколько хорошо вы ожидаете, что ваш шаблон может пойти не так, когда представлены неожиданными шаблонами.

Парсер не работает как регулярное выражение. Он создает внутреннее представление документа, а затем просматривает его. Неважно, как выкладывается файл/разметка, он выполняет свою работу по внутреннему представлению DOM. Nokogiri релаксирует свой синтаксический анализ для обработки HTML, потому что HTML известен тем, что плохо написан. Это помогает нам, потому что с большинством неадаптируемых HTML Nokogiri может это исправить. Иногда я сталкиваюсь с чем-то, что так плохо написано, что Nokogiri не может исправить это правильно, поэтому мне придется немного подтолкнуть его, изменив HTML, прежде чем передать его Nokogiri; Я все равно использую синтаксический анализатор, а не пытаюсь использовать шаблоны.

Ответ 5

Можете ли вы поместить группы в свое регулярное выражение? Это уменьшит ваши регулярные выражения до 1 вместо 2.