Python网络爬虫项目：内容提取器的定义

摘要：1.项目背景在python即时网络爬虫项目启动说明中我们讨论一个数字：程序员浪费在调测内容提取规则上的时间，从而我们发起了这个项目，把程序员...

1. 项目背景

在python 即时网络爬虫项目启动说明中我们讨论一个数字：程序员浪费在调测内容提取规则上的时间，从而我们发起了这个项目，把程序员从繁琐的调测规则中解放出来，投入到更高端的数据处理工作中。

2. 解决方案

为了解决这个问题，我们把影响通用性和工作效率的提取器隔离出来，描述了如下的数据处理流程图：

Python网络爬虫项目：内容提取器的定义1

图中“可插拔提取器”必须很强的模块化，那么关键的接口有:

标准化的输入：以标准的HTML DOM对象为输入标准化的内容提取：使用标准的xslt模板提取网页内容标准化的输出：以标准的XML格式输出从网页上提取到的内容明确的提取器插拔接口：提取器是一个明确定义的类，通过类方法与爬虫引擎模块交互

3. 提取器代码

可插拔提取器是即时网络爬虫项目的核心组件，定义成一个类： gsExtractor

python源代码文件及其说明文档请从 github 下载

使用模式是这样的：

实例化一个gsExtractor对象为这个对象设定xslt提取器，相当于把这个对象配置好（使用三类setXXX()方法）把html dom输入给它，就能获得xml输出（使用extract()方法）

下面是这个gsExtractor类的源代码

#!/usr/bin/python # -*- coding: utf-8 -*- # 模块名: gooseeker # 类名: gsExtractor # Version: 2.0 # 说明: html内容提取器 # 功能: 使用xslt作为模板，快速提取HTML DOM中的内容。 # released by 集搜客(http://www.gooseeker.com) on May 18, 2016 # github: https://github.com/FullerHua/jisou/core/gooseeker.py from urllib import request from urllib.parse import quote from lxml import etree import time class gsExtractor(object): def _init_(self): self.xslt = "" # 从文件读取xslt def setXsltFromFile(self , xsltFilePath): file = open(xsltFilePath , 'r' , encoding='UTF-8') try: self.xslt = file.read() finally: file.close() # 从字符串获得xslt def setXsltFromMem(self , xsltStr): self.xslt = xsltStr # 通过GooSeeker API接口获得xslt def setXsltFromAPI(self , APIKey , theme, middle=None, bname=None): apiurl = "http://www.gooseeker.com/api/getextractor"&theme="+quote(theme) if (middle): apiurl = apiurl + "&middle="+quote(middle) if (bname): apiurl = apiurl + "&bname="+quote(bname) apiconn = request.urlopen(apiurl) self.xslt = apiconn.read() # 返回当前xslt def getXslt(self): return self.xslt # 提取方法，入参是一个HTML DOM对象，返回是提取结果 def extract(self , html): xslt_root = etree.XML(self.xslt) transform = etree.XSLT(xslt_root) result_tree = transform(html) return result_tree

4. 用法示例

下面是一个示例程序，演示怎样使用gsExtractor类提取GooSeeker官网的bbs帖子列表。本示例有如下特征

提取器所用的xslt模板提前放在文件中：xslt_bbs.xml 仅作为示例，实际使用场景中，xslt来源有多个，最主流的来源是GooSeeker平台上的api 在控制台界面上打印出提取结果

下面是源代码，都可从 github 下载

#-*_coding:utf8-*- # 使用gsExtractor类的示例程序 # 访问集搜客论坛，以xslt为模板提取论坛内容 # xslt保存在xslt_bbs.xml中 from urllib import request from lxml import etree from gooseeker import gsExtractor # 访问并读取网页内容 url = "http://www.gooseeker.com/cn/forum/7" conn = request.urlopen(url) doc = etree.HTML(conn.read()) # 生成xsltExtractor对象 bbsExtra = gsExtractor() # 调用set方法设置xslt内容 bbsExtra.setXsltFromFile("xslt_bbs.xml") # 调用extract方法提取所需内容 result = bbsExtra.extract(doc) # 显示提取结果 print(str(result))

提取结果如下图所示：

Python网络爬虫项目：内容提取器的定义2