/[Grep]/lib/Grep/Source.pm
This is repository of my old source code which isn't updated any more. Go to git.rot13.org for current projects!
ViewVC logotype

Diff of /lib/Grep/Source.pm

Parent Directory Parent Directory | Revision Log Revision Log | View Patch Patch

revision 130 by dpavlin, Sun Apr 29 12:07:06 2007 UTC revision 132 by dpavlin, Tue May 1 12:20:49 2007 UTC
# Line 188  sub content_class { Line 188  sub content_class {
188          }          }
189  }  }
190    
 =head2 scrape  
191    
192  Create semi-complex L<WWW::Mechanize> rules to scrape page  =head2 element_by_triplet
193    
194    Helper method to select element(s) using C<element/attribute/value> triplet using
195    L<HTML::TreeBuilder> trees.
196    
197      my $el = $self->element_by_triplet(
198            tree => $tree_or_element,
199            triplets => [ qw/
200                    div id target
201                    div class another
202            / ],
203            message => 'find search result element',
204            fatal => 1,     # die instead of warn
205      );
206    
207  =cut  =cut
208    
# Line 213  sub element_by_triplet { Line 224  sub element_by_triplet {
224    
225          push @triplets, ( undef, undef ) if ( $#triplets == 0 );          push @triplets, ( undef, undef ) if ( $#triplets == 0 );
226    
227          die "wrapper doesn't have 3 elements but ", $#triplets unless (          die "triplet doesn't have 3 elements but ", $#triplets unless (
228                  ( $#triplets + 1 ) % 3 == 0                  ( $#triplets + 1 ) % 3 == 0
229          );          );
230    
# Line 247  sub element_by_triplet { Line 258  sub element_by_triplet {
258          return shift @results;          return shift @results;
259  }  }
260    
261    =head2 scrape
262    
263    Create semi-complex L<WWW::Mechanize> rules to scrape page easily
264    
265      $parent->scrape(
266                    # if search string isn't part or URI
267                    submit_form => {
268                            fields => {
269                                    value => $parent->q,
270                            },
271                            button => 'fullsearch',
272                    },
273                    # element with search results
274                    wrapper => [ qw/div class searchresults/ ],
275                    # element (or tripple) for each result with link
276                    # <a href=".."> inside it to full-text result
277                    results => 'dt',
278                    # collect which element on page linked from results
279                    scrape => [ qw/div id page/ ],
280                    # when search returns just single hit, it will redirect to result page
281                    redirect_single_result => 1,
282      );
283    
284    =cut
285    
286  sub scrape {  sub scrape {
287          my $self = shift;          my $self = shift;
288    
# Line 288  sub scrape { Line 324  sub scrape {
324                  tree => $tree,                  tree => $tree,
325                  triplets => $args->{wrapper},                  triplets => $args->{wrapper},
326                  message => 'wrapper for all results',                  message => 'wrapper for all results',
327                  fatal => 1                  fatal => $args->{redirect_single_result} ? 0 : 1,
328          );          );
329    
330          my $max = 15;          my $max = 15;
# Line 297  sub scrape { Line 333  sub scrape {
333          my $base_uri = $uri;          my $base_uri = $uri;
334          $base_uri =~ s!\?.*$!!;          $base_uri =~ s!\?.*$!!;
335    
336            # directly got first result
337            if ( $args->{redirect_single_result} && ! $div ) {
338    
339                    my $uri = $mech->uri; $uri->query( undef ); $uri = $uri->canonical;
340    
341                    $div = $self->element_by_triplet(
342                            tree => $tree,
343                            message => "single result - redirect to $uri",
344                            triplets => $args->{scrape},
345                            fatal => 1,
346                    );
347    
348                    $self->add_record(
349                            in_feed => $feed,
350                            title => $mech->title,
351                            link => $uri,
352                            content => $div->as_HTML,
353                    );
354    
355                    $tree->delete; # clear memory!
356                    return;
357            }
358    
359          my @r = $self->element_by_triplet(          my @r = $self->element_by_triplet(
360                  tree => $tree,                  tree => $div,
361                  triplets => $args->{results},                  triplets => $args->{results},
362                  message => 'result element',                  message => 'result element',
363          );          );
# Line 308  sub scrape { Line 367  sub scrape {
367                  if ( $a ) {                  if ( $a ) {
368    
369                          my $href = $a->attr('href') or die "can't find href inside <", $args->{results}, ">";                          my $href = $a->attr('href') or die "can't find href inside <", $args->{results}, ">";
370                          my $page_uri = URI->new_abs( $a->attr('href'), $base_uri );  
371                            my $page_uri = URI->new_abs( $href, $base_uri );
372                          $page_uri->query( undef );                          $page_uri->query( undef );
373                          $page_uri = $page_uri->canonical;                          $page_uri = $page_uri->canonical;
374    
375                          $self->log->debug("fetching page: ",$a->as_text," from $page_uri");                          $self->log->debug("fetching page: ",$a->as_text," from $page_uri");
376                          if ( $mech->follow_link( url => $a->attr('href') ) ) {                          if ( $mech->follow_link( url => $href ) ) {
377    
378                                  $self->save( "page-${nr}.html", $mech->content );                                  $self->save( "page-${nr}.html", $mech->content );
379    
Legend:
Removed from v.130  
changed lines
  Added in v.132
  ViewVC Help
Powered by ViewVC 1.1.26