为什么 Nokogiri 不加载整页？

Question

我正在使用 Nokogiri 打开有关各个国家的维基百科页面，然后从跨维基链接（外语维基百科的链接）中提取这些国家的其他语言名称。但是，当我尝试打开the page for France 时，Nokogiri 并没有下载完整页面。也许它太大了，反正它不包含我需要的跨维基链接。我怎样才能强制它全部下载？

这是我的代码：

url = "http://en.wikipedia.org/wiki/" + country_name
page = nil
begin
  page = Nokogiri::HTML(open(url))
rescue   OpenURI::HTTPError=>e
  puts "No article found for " + country_name
end

language_part = page.css('div#p-lang')

测试：

with country_name = "France"
=> []

with country_name = "Thailand"
=> really long array that I don't want to quote here,
   but containing all the right data

也许这个问题超出了 Nokogiri 并进入了 OpenURI - 无论如何我需要找到解决方案。

Answer 1

require 'open-uri'
require 'zlib'

open('Accept-Encoding' => 'gzip, deflate') do |response|
  if response.content_encoding.include?('gzip')
    response = Zlib::GzipReader.new(response)
    response.define_singleton_method(:method_missing) do |name|
      to_io.public_send(name)
    end
  end

  yield response if block_given?

  response
end

Answer 2

Nokogiri 不检索页面，它要求 OpenURI 使用 Open::URI 返回的 StringIO 对象上的内部 read 来完成。

require 'open-uri'
require 'zlib'

stream = open('http://en.wikipedia.org/wiki/France')
if (stream.content_encoding.empty?)
  body = stream.read
else
  body = Zlib::GzipReader.new(stream).read
end

p body

您可以关闭以下内容：

>> require 'open-uri' #=> true
>> open('http://en.wikipedia.org/wiki/France').content_encoding #=> ["gzip"]
>> open('http://en.wikipedia.org/wiki/Thailand').content_encoding #=> []

在这种情况下，如果它是 []，又名“text/html”，它会读取。如果是["gzip"]，它会解码。

把上面所有的东西都做完，然后扔到：

require 'nokogiri'
page = Nokogiri::HTML(body)
language_part = page.css('div#p-lang')

应该会让你重回正轨。

在完成上述所有操作后执行此操作，以直观地确认您获得了可用的东西：

p language_part.text.gsub("\t", '')

请参阅 Casper 的回答并了解为什么您会看到两个不同的结果。最初看起来 Open-URI 在处理返回的数据时不一致，但根据 Casper 所说的以及我使用 curl 看到的内容，维基百科不尊重大型文档的“Accept-Encoding”标头并返回 gzip。这对于今天的浏览器来说是相当安全的，但是像 Open-URI 这样不能自动感知编码的客户端会有问题。这就是上面的代码应该帮助解决的问题。

Answer 3

经过一番摸索后，问题就在这里：

> wget -S 'http://en.wikipedia.org/wiki/France'
Resolving en.wikipedia.org... 91.198.174.232
Connecting to en.wikipedia.org|91.198.174.232|:80... connected.
HTTP request sent, awaiting response...
  HTTP/1.0 200 OK
  Content-Language: en
  Last-Modified: Fri, 01 Jul 2011 23:31:36 GMT
  Content-Encoding: gzip <<<<------ BINGO!
  ...

您需要解压缩 gzip 后的数据，而 open-uri 不会自动执行此操作。
解决方案：

def http_get(uri)
  url = URI.parse uri

  res = Net::HTTP.start(url.host, url.port) { |h|
    h.get(url.path)
  }

  headers = res.to_hash
  gzipped = headers['content-encoding'] && headers['content-encoding'][0] == "gzip"
  content = gzipped ? Zlib::GzipReader.new(StringIO.new(res.body)).read : res.body

  content
end

然后：

page = Nokogiri::HTML(http_get("http://en.wikipedia.org/wiki/France"))