1. 項目背景
在python 即時網絡爬蟲項目啟動說明中我們討論一個數字：程序員浪費在調測內容提取規則上的時間，從而我們發起了這個項目，把程序員從繁瑣的調測規則中解放出來，投入到更高端的數據處理工作中。
2. 解決方案
為了解決這個問題，我們把影響通用性和工作效率的提取器隔離出來，描述了如下的數據處理流程圖：
圖中“可插拔提取器”必須很強的模塊化，那么關鍵的接口有:
- 標準化的輸入：以標準的HTML DOM對象為輸入
- 標準化的內容提取：使用標準的xslt模板提取網頁內容
- 標準化的輸出：以標準的XML格式輸出從網頁上提取到的內容
- 明確的提取器插拔接口：提取器是一個明確定義的類，通過類方法與爬蟲引擎模塊交互
3. 提取器代碼
可插拔提取器是即時網絡爬蟲項目的核心組件，定義成一個類： gsExtractor
python源代碼文件及其說明文檔請從 github 下載
使用模式是這樣的：
- 實例化一個gsExtractor對象
- 為這個對象設定xslt提取器，相當于把這個對象配置好（使用三類setXXX()方法）
- 把html dom輸入給它，就能獲得xml輸出（使用extract()方法）
下面是這個gsExtractor類的源代碼
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
|
#!/usr/bin/python# -*- coding: utf-8 -*-# 模塊名: gooseeker# 類名: gsExtractor# Version: 2.0# 說明: html內容提取器# 功能: 使用xslt作為模板，快速提取HTML DOM中的內容。# 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 = "" # 從文件讀取xslt def setXsltFromFile(self , xsltFilePath): file = open(xsltFilePath , 'r' , encoding='UTF-8') try: self.xslt = file.read() finally: file.close() # 從字符串獲得xslt def setXsltFromMem(self , xsltStr): self.xslt = xsltStr # 通過GooSeeker API接口獲得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() # 返回當前xslt def getXslt(self): return self.xslt # 提取方法，入參是一個HTML DOM對象，返回是提取結果 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
下面是一個示例程序，演示怎樣使用gsExtractor類提取GooSeeker官網的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
- 僅作為示例，實際使用場景中，xslt來源有多個，最主流的來源是GooSeeker平臺上的api
- 在控制臺界面上打印出提取結果
下面是源代碼，都可從 github 下載
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
#-*_coding:utf8-*-# 使用gsExtractor類的示例程序# 訪問集搜客論壇，以xslt為模板提取論壇內容# xslt保存在xslt_bbs.xml中from urllib import requestfrom lxml import etreefrom gooseeker import gsExtractor# 訪問并讀取網頁內容url = "http://www.gooseeker.com/cn/forum/7"conn = request.urlopen(url)doc = etree.HTML(conn.read())# 生成xsltExtractor對象bbsExtra = gsExtractor()# 調用set方法設置xslt內容bbsExtra.setXsltFromFile("xslt_bbs.xml")# 調用extract方法提取所需內容result = bbsExtra.extract(doc)# 顯示提取結果print(str(result)) |
提取結果如下圖所示：
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持服務器之家。
