Я строю простой веб-паук, используя Sidekiq и Mechanize.Sidekiq mechanize перезаписанный экземпляр
Когда я запускаю это для одного домена, он работает нормально. Когда я запускаю его для нескольких доменов, он терпит неудачу. Я считаю, что причина в том, что web_page
перезаписывается при создании экземпляром другого работника Sidekiq, но я не уверен, что это правда или как его исправить.
# my scrape_search controller's create action searches on google.
def create
@scrape = ScrapeSearch.build(keywords: params[:keywords], profession: params[:profession])
agent = Mechanize.new
scrape_search = agent.get('http://google.com/') do |page|
search_result = page.form...
search_result.css("h3.r").map do |link|
result = link.at_css('a')['href'] # Narrowing down to real search results
@domain = Domain.new(some params)
ScrapeDomainWorker.perform_async(@domain.url, @domain.id, remaining_keywords)
end
end
end
Я создаю работу Sidekiq для каждого домена. Большинство доменов, которые я ищу, должны содержать только несколько страниц, поэтому нет необходимости в подзаголовках на странице.
Это мой рабочий:
class ScrapeDomainWorker
include Sidekiq::Worker
...
def perform(domain_url, domain_id, keywords)
@domain = Domain.find(domain_id)
@domain_link = @domain.protocol + '://' + domain_url
@keywords = keywords
# First we scrape the homepage and get the first links
@domain.to_parse = ['/'] # to_parse is an array of PATHS to parse for the domain
mechanize_path('/')
@domain.verified << '/' # verified is an Array field containing valid domain paths
get_paths(@web_page) # Now we should have to_scrape populated with homepage links
@domain.scraped = 1 # Loop counter
while @domain.scraped < 100
@domain.to_parse.each do |path|
@domain.to_parse.delete(path)
@domain.scraped += 1
mechanize_path(path) # We create a Nokogiri HTML doc with mechanize for the valid path
...
get_paths(@web_page) # Fire this to repopulate to_scrape !!!
end
end
@domain.save
end
def mechanize_path(path)
agent = Mechanize.new
begin
@web_page = agent.get(@domain_link + path)
rescue Exception => e
puts "Mechanize Exception for #{path} :: #{e.message}"
end
end
def get_paths(web_page)
paths = web_page.links.map {|link| link.href.gsub((@domain.protocol + '://' + @domain.url), "") } ## This works when I scrape a single domain, but fails with ".gsub for nil" when I scrape a few domains.
paths.uniq.each do |path|
@domain.to_parse << path
end
end
end
Это работает, когда я скрести один домен, но терпит неудачу с .gsub for nil
для web_page
когда я скрести несколько доменов.
Добро пожаловать в переполнение стека. Пожалуйста, прочитайте «[mcve]». Пожалуйста, уменьшите код до минимума, который воспроизводит проблему. –