Python网络爬虫项目：内容提取器的定义

Python  /  管理员 发布于 7年前   236

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：

图中“可插拔提取器”必须很强的模块化，那么关键的接口有:

1. 标准化的输入：以标准的HTML DOM对象为输入
2. 标准化的内容提取：使用标准的xslt模板提取网页内容
3. 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
4. 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：

1. 实例化一个gsExtractor对象
2. 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）
3. 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.pyfrom urllib import requestfrom urllib.parse import quotefrom lxml import etreeimport timeclass 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?key="+ APIKey +"&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

1. 提取器所用的xslt模板提前放在文件中：xslt_bbs.xml
2. 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
3. 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 requestfrom lxml import etreefrom 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：

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。