使用 Floki 和 HttPotion 的 Elixir 脚本无法解析 url

Question

我正在尝试使用Floki 和HttPotion 为维基百科的文章文本编写脚本。我的失败代码如下所示：

defmodule Scraper do

  def start do
    base = "https://en.wikipedia.org"
    response = HTTPotion.get base <> "/wiki/Main_Page"
    html = response.body
    main_bg = Floki.find(html, ".MainPageBG")
    main_bg
      |> Floki.find("table tr li a")
      |> Floki.attribute("href")
      |> Enum.map(fn(addr) -> HTTPotion.get(base <> addr) end)
  end
end

我引用了 Floki 自述文件中的一些内容：

html
|> Floki.find(".pages a")
|> Floki.attribute("href")
|> Enum.map(fn(url) -> HTTPoison.get!(url) end)

当我将结果通过管道传输到 Floki.attribute("href") 时，我会得到一个很好的 url 路径名称列表，例如：

["/wiki/Japanese_aircraft_carrier_Hiry%C5%ABwow",
 "/wiki/Boys_Don%27t_Cry_(film)wow", "/wiki/Elias_Abraham_Rosenbergwow",
 "/wiki/Japanese_aircraft_carrier_Hiry%C5%ABwow",
 "/wiki/Boys_Don%27t_Cry_(film)wow", "/wiki/Elias_Abraham_Rosenbergwow",
 "/wiki/Wikipedia:Today%27s_featured_article/November_2015wow",
 "https://lists.wikimedia.org/mailman/listinfo/daily-article-lwow",
 "/wiki/Wikipedia:Featured_articleswow", "/wiki/Schloss_Krobnitzwow",
 "/wiki/Prussiawow", "/wiki/Albrecht_von_Roonwow", "/wiki/Harry_Winerwow",
 "/wiki/Rob_Thomas_(writer)wow", "/wiki/Of_Vice_and_Menwow",
 "/wiki/Veronica_Marswow", "/wiki/Meithalunwow", "/wiki/Palestinian_peoplewow",
 "/wiki/Marj_Sanurwow", "/wiki/Soma_Norodomwow",...]

但是，当|> Enum.map(fn(addr) -> HTTPotion.get(base <> addr) end) 行运行时，我收到此错误：

** (HTTPotion.HTTPError) {:url_parsing_failed, {:error, :invalid_uri}}
    (httpotion) lib/httpotion.ex:209: HTTPotion.handle_response/1
       (elixir) lib/enum.ex:977: anonymous fn/3 in Enum.map/2
       (elixir) lib/enum.ex:1261: Enum."-reduce/3-lists^foldl/2-0-"/3
       (elixir) lib/enum.ex:977: Enum.map/2

我看到:url_parsing_failed，但我不明白为什么。当我尝试 Enum.map(fn(addr) -> HTTPotion.get(base <> addr) 使用列表中的单个 url 路径时，它们都可以工作。

• 我的语法错了吗？
• 我是否遗漏了有关管道或 Enum 的工作原理的内容？
• 我走对了吗？

根据 manukall 的回答，这里是有效的：

defmodule Scraper do
  def transform_url(url_or_path = "/" <> _, base), do: base <> url_or_path
  def transform_url(url, _base), do: url

  def start do
    base = "https://en.wikipedia.org"
    response = HTTPotion.get base <> "/wiki/Main_Page"
    html = response.body
    main_bg = Floki.find(html, ".MainPageBG")
    main_bg
      |> Floki.find("table tr li a")
      |> Floki.attribute("href")
      |> Enum.map(fn(url) -> OldRazor.transform_url(url, base) end)
      |> Enum.map(fn(url) -> HTTPotion.get(url) end)
  end
end

Answer 1

如果您再次仔细查看网址列表，您会注意到其中有一个绝对网址：“https://lists.wikimedia.org/mailman/listinfo/daily-article-lwow”。这不适用于HTTPotion.get(base <> addr)，因为它最终会请求像“https://en.wikipedia.orghttps://lists.wikimedia.org/mailman/listinfo/daily-article-lwow”这样的网址。

解决这个问题的一种方法是编写另一个函数transform_url，该函数检查值是否以/ 开头，然后才在其前面添加基本网址：

  def transform_url(url_or_path = "/" <> _, base), do: base <> url_or_path
  def transform_url(url, _base), do: url

然后你会用它作为

  ...
  |> Enum.map(fn(url) -> HTTPoison.get!(transform_url((url)) end)