如何防止海葵存储某些信息？

Question

我正在使用Anemone 进行一些网络爬取。我将爬取的结果存储在 MongoDB 中。 Anemone 可以很容易地做到这一点：

  Anemone.crawl("http://www.example.com/") do |anemone|
    anemone.storage = Anemone::Storage.MongoDB
  end

作为specified here。

但是，使用上面的代码，Anemone 收集并存储了很多我不需要的信息，包括每个页面的响应。我只需要存储 URL。而且，尽管花时间在the documentation 上，但我不知道如何告诉 Anemone不 存储某些信息。

谁能给点建议？

Answer 1

您需要调整 Page 类，使其不存储额外数据。所以像：

module Anemone
  class Page
    def to_hash
      {'url' => @url.to_s,
       'links' => links.map(&:to_s),
       'code' => @code,
       'visited' => @visited,
       'depth' => @depth,
       'referer' => @referer.to_s,
       'fetched' => @fetched}
    end
    def self.from_hash(hash)
      page = self.new(URI(hash['url']))
      {'@links' => hash['links'].map { |link| URI(link) },
       '@code' => hash['code'].to_i,
       '@visited' => hash['visited'],
       '@depth' => hash['depth'].to_i,
       '@referer' => hash['referer'],
       '@fetched' => hash['fetched']
      }.each do |var, value|
        page.instance_variable_set(var, value)
      end
      page
    end
  end
end
Anemone.crawl("http://www.example.com/") do |anemone|
  anemone.storage = Anemone::Storage.MongoDB
end

我已经有一段时间没有查看内部结构了，但如果我没记错的话，页面需要包含链接、深度、获取的和一些其他元数据，以便它知道它已经爬取了什么以及什么它还没有完成。

希望这会有所帮助。

Answer 2

在带有 ruby​​ 1.9.2 的 Rails 3.0.10 中，您似乎必须使用初始化程序。

config/initilizers/anemone.rb

Anemone::Page.module_eval do
  def to_hash
    {'url' => @url.to_s,
     'links' => links.map(&:to_s),
     'code' => @code,
     'visited' => @visited,
     'depth' => @depth,
     'referer' => @referer.to_s,
     'redirect_to' => @redirect_to.to_s,
     'response_time' => @response_time,
     'fetched' => @fetched}
  end

  def self.from_hash(hash)
    page = self.new(URI(hash['url']))
    {'@links' => hash['links'].map { |link| URI(link) },
     '@visited' => hash['visited'],
     '@code' => hash['code'].to_i,
     '@depth' => hash['depth'].to_i,
     '@referer' => hash['referer'],
     '@redirect_to' => URI(hash['redirect_to']),
     '@response_time' => hash['response_time'].to_i,
     '@fetched' => hash['fetched']
    }.each do |var, value|
      page.instance_variable_set(var, value)
    end
    page
  end
end