python 用遞歸實現通用爬蟲解析器
我們在寫爬蟲的過程中，除了研究反爬之外，幾乎全部的時間都在寫解析邏輯。那么，生命苦短，為什么我們不寫一個通用解析器呢？對啊！為什么不呢？開整！
需求分析
爬蟲要解析的網頁類型無外乎 html、json 以及一些二進制文件（video、excel 文件等）。既然要做成通用解析器，我們有兩種實現方式，一種是將網頁內容轉換成統(tǒng)一的形式，然后用對應的解析規(guī)則去解析，比如全部將網頁內容轉換成 html 形式，然后用 xpath 去提取。
另外一種是配置文件預先告知的方式，你配置成什么類型，解析器就通過對應的解析規(guī)則去解析。
統(tǒng)一網頁形式，需要做大量的網頁內容形式轉換，而配置文件預先告知則需要在配置時指定更多解析字段。相比較而言，通過第二種方式，未來改變較多的是配置規(guī)則，不需要動核心代碼，引入 bug 的可能性較低。因此這里我們采用第二種方式實現解析器
進一步分析
解析器對于網頁內容的提取，本質上和我們在本地電腦上查找和整理文件，沒有什么差別。比如像下面這樣
解析內容就是從中提取我們想要的信息，然后整理成我們希望的格式。比如上面的內容，我們提取出來的形式應該是這樣
{
"design": "設計圖.psd",
"software": "sketch.dmg"
}
而在實際的爬蟲開發(fā)過程中，網頁形式遠比以上的復雜。其實遇到最多的問題是在一組列表中嵌套一個列表，我們需要把這種形式提取出來。比如像下面這種形式
{
"a": "a",
"b": [
{"c": "c1", "d": "d1"},
{"c": "c2", "d": "d2"}]
}
他提取出信息后應該是這樣
[
{
"a": "a",
"c": "c1",
"d": "d1"
},
{
"a": "a",
"c": "c2",
"d": "d2"
}
]
如果小伙伴對于算法熟悉的話，應該能察覺出這種遍歷用遞歸來寫是非常方便的。但要注意的是 python 會限定遞歸的層數，小伙伴可以通過下面這個方法查看遞歸限定的層數
import sys print(sys.getrecursionlimit()) >>>1000
我這邊限定的層數是 1k。對于解析網頁來說完全夠用了，如果哪個人把網頁解析邏輯嵌套了 1000 層，我建議你直接跟老板提放棄這個網頁吧！
再進一步分析
我們已經知道對于通用解析來說，就是通過配置解析規(guī)則提取頁面的對應信息。而針對有列表層級的網頁可能還涉及遞歸遍歷問題。那如何去配置這種解析規(guī)則呢？其實很簡單，只需要在進入每一個層級之前先指定該層的數據形式，比如下面這個原數據
{
"a": "a",
"b": [
{"c": "c1", "d": "d1"},
{"c": "c2", "d" : "d2"}
]
}
想提取嵌套信息，我們的解析規(guī)則就應該是這樣的
[
{
"$name": "a",
"$value_type": "raw",
"$parse_method": "json",
"$parse_rule": "a",
"$each": []
},
{
"$name": "__datas__",
"$value_type": "recursion",
"$parse_method": "json",
"$parse_rule": "b",
"$each": [
{
"$name": "c",
"$value_type": "raw",
"$parse_method": "json",
"$parse_rule": "c",
"$each": []
},
{
"$name": "d",
"$value_type": "raw",
"$parse_method": "json",
"$parse_rule": "d",
"$each": []
}
]
}
]
其中 $name 字段表示我們最終希望最外層數據所擁有的字段名，當然如果是需要遞歸到內層的字段，則將列表保存為 __datas__ ，然后根據這個 __datas__ 進行內層結構的解析。最終我們得到的數據結構應該是這樣的
[
{"a": "a", "c": "c1", "d": "d1"},
{"a": "a", "c": "c2", "d": "d2"}
]
以上我們只演示了 json 的解析規(guī)則，如果要拿來解析 html 對象呢？很簡單，將解析方式改為 xpath 對象，然后傳入 xpath 解析語法即可。
代碼實現
總共分成兩部分，一部分根據原最終結果和規(guī)則進行打包，將所有涉及 recursion 邏輯的字段進行轉換，代碼如下
def _pack_json(result, rules):
item = {}
for p_rule in rules:
if p_rule.get("$value_type") == "raw":
if p_rule.get("$parse_method") == "json":
item[p_rule.get("$name")] = glom(result, p_rule.get("$parse_rule"))
elif p_rule.get("$value_type") == "recursion":
if p_rule.get("$parse_method") == "json":
tmp_result = glom(result, p_rule.get("$parse_rule"))
total_result = []
for per_r in tmp_result:
total_result.append(_pack_json(per_r, p_rule.get("$each")))
item[p_rule.get("$name")] = total_result
return item
另外一部分將上一步得到的進行解析，將打包得到的結果進行解包，即將所有內嵌的數據提到最外層，代碼如下
def _unpack_datas(result: dict) -> list:
if "__datas__" not in result:
return [result]
item_results = []
all_item = result.pop("__datas__")
for per_item in all_item:
if "__datas__" in per_item:
tmp_datas = per_item.pop("__datas__")
for per_tmp_data in tmp_datas:
tmp_item = _unpack_datas(per_tmp_data)
for per_tmp_item in tmp_item:
item_results.append({**per_tmp_item, **per_item})
else:
item_results.append({**result, **per_item})
return item_results
后再包一層執(zhí)行入口就可以了，完整代碼如下
from loguru import logger
from glom import glom
def parse(result, rules):
def _pack_json(result, rules):
item = {}
for p_rule in rules:
if p_rule.get("$value_type") == "raw":
if p_rule.get("$parse_method") == "json":
item[p_rule.get("$name")] = glom(result, p_rule.get("$parse_rule"))
elif p_rule.get("$value_type") == "recursion":
if p_rule.get("$parse_method") == "json":
tmp_result = glom(result, p_rule.get("$parse_rule"))
total_result = []
for per_r in tmp_result:
total_result.append(_pack_json(per_r, p_rule.get("$each")))
item[p_rule.get("$name")] = total_result
return item
def _unpack_datas(result: dict) -> list:
if "__datas__" not in result:
return [result]
item_results = []
all_item = result.pop("__datas__")
for per_item in all_item:
if "__datas__" in per_item:
tmp_datas = per_item.pop("__datas__")
for per_tmp_data in tmp_datas:
tmp_item = _unpack_datas(per_tmp_data)
for per_tmp_item in tmp_item:
item_results.append({**per_tmp_item, **per_item})
else:
item_results.append({**result, **per_item})
return item_results
pack_result = _pack_json(result, rules)
logger.info(pack_result)
return _unpack_datas(pack_result)
以上，就是通用解析器的完整案例。案例中僅實現了對于 json 的支持，小伙伴可以基于自己的項目，改造成其他的解析形式。通用解析其實是雞仔為了偷懶寫的，因為雞仔發(fā)現，在爬蟲開發(fā)中，大部分工作都耗在解析這部分。而有了通用解析的前端頁面，運營和數據分析師就可以根據自己的需要配置自己想爬取的站點了。人生苦短，你懂得。我去摸魚了~
實現方式請移步至 github 查看：https://github.com/hacksman/learn_lab/blob/master/small_bug_lab/general_parser.py
以上就是python 用遞歸實現通用爬蟲解析器的詳細內容，更多關于python 遞歸實現爬蟲解析器的資料請關注腳本之家其它相關文章！
相關文章
這篇文章主要給大家介紹了關于Python中os.path.join函數用法的相關資料,os.path.join函數是Python標準庫中的一個函數,用于將多個路徑組合成一個有效的路徑,文中通過代碼介紹的非常詳細,需要的朋友可以參考下2023-10-10
這篇文章主要介紹了用python制作個音樂下載器，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2021-01-01
這篇文章主要介紹了如何用python 操作zookeeper，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2020-12-12
大家好，本篇文章主要講的是Python中最神秘missing()函數介紹，感興趣的同學趕快來看一看吧，對你有幫助的話記得收藏一下，方便下次瀏覽2021-12-12
Python?torch.onnx.export用法詳細介紹
這篇文章主要給大家介紹了關于Python?torch.onnx.export用法詳細介紹的相關資料,文中通過實例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2022-07-07
本文主要介紹了python中SSH遠程登錄設備，python中支持SSH協議的模塊主要有Paramiko和netmiko兩種，本文主要介紹了netmiko模塊，具有一定的參考價值，感興趣的可以了解一下2022-04-04
在本篇文章里小編給大家整理的是一篇關于實現Python3數組旋轉的3種算法實例內容，需要的朋友們可以學習參考下。2020-09-09
requests庫是用python編寫的基于urllib,requests唯一的一個非轉基因的Python HTTP庫,下面這篇文章主要給大家介紹了關于Python中requests庫的基本概念與具體使用方法,需要的朋友可以參考下2022-08-08
在數據分析和處理中,Pandas是一個非常強大的工具,它提供了靈活的數據結構和豐富的操作方法,使得數據處理變得更加簡單高效,其中,對數據的列名和索引進行重命名是常見的需求之一,本文將從基礎概念出發(fā),逐步深入探討如何使用Pandas對列名和索引進行重命名2024-12-12
Python編程matplotlib繪圖挑鉆石seaborn小提琴和箱線圖
這篇文章主要為大家介紹了Python編程如何使用matplotlib繪圖來挑出完美的鉆石以及seaborn小提琴和箱線圖，有需要的朋友可以借鑒參考下，希望能夠優(yōu)速幫助2021-10-10