快捷導(dǎo)航

Python網(wǎng)絡(luò)爬蟲項(xiàng)目：內(nèi)容提取器的定義

更新時(shí)間：2016年10月25日 15:38:52 作者：fullerhua

本篇文章主要介紹了Python網(wǎng)絡(luò)爬蟲項(xiàng)目，這能有效的節(jié)省程序員的時(shí)間，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下。

1. 項(xiàng)目背景

在python 即時(shí)網(wǎng)絡(luò)爬蟲項(xiàng)目啟動(dòng)說明中我們討論一個(gè)數(shù)字：程序員浪費(fèi)在調(diào)測(cè)內(nèi)容提取規(guī)則上的時(shí)間，從而我們發(fā)起了這個(gè)項(xiàng)目，把程序員從繁瑣的調(diào)測(cè)規(guī)則中解放出來，投入到更高端的數(shù)據(jù)處理工作中。

2. 解決方案

為了解決這個(gè)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(shù)據(jù)處理流程圖：

圖中“可插拔提取器”必須很強(qiáng)的模塊化，那么關(guān)鍵的接口有:

標(biāo)準(zhǔn)化的輸入：以標(biāo)準(zhǔn)的HTML DOM對(duì)象為輸入
標(biāo)準(zhǔn)化的內(nèi)容提?。菏褂脴?biāo)準(zhǔn)的xslt模板提取網(wǎng)頁內(nèi)容
標(biāo)準(zhǔn)化的輸出：以標(biāo)準(zhǔn)的XML格式輸出從網(wǎng)頁上提取到的內(nèi)容
明確的提取器插拔接口：提取器是一個(gè)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(shí)網(wǎng)絡(luò)爬蟲項(xiàng)目的核心組件，定義成一個(gè)類： gsExtractor

python源代碼文件及其說明文檔請(qǐng)從 github 下載

使用模式是這樣的：

實(shí)例化一個(gè)gsExtractor對(duì)象
為這個(gè)對(duì)象設(shè)定xslt提取器，相當(dāng)于把這個(gè)對(duì)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(gè)gsExtractor類的源代碼

#!/usr/bin/python
# -*- coding: utf-8 -*-
# 模塊名: gooseeker
# 類名: gsExtractor
# Version: 2.0
# 說明: html內(nèi)容提取器
# 功能: 使用xslt作為模板，快速提取HTML DOM中的內(nèi)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 = ""
  # 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(dāng)前xslt
  def getXslt(self):
    return self.xslt
  # 提取方法，入?yún)⑹且粋€(gè)HTML DOM對(duì)象，返回是提取結(jié)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(gè)示例程序，演示怎樣使用gsExtractor類提取GooSeeker官網(wǎng)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(shí)際使用場(chǎng)景中，xslt來源有多個(gè)，最主流的來源是GooSeeker平臺(tái)上的api
在控制臺(tái)界面上打印出提取結(jié)果

下面是源代碼，都可從 github 下載

#-*_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(nèi)容
# xslt保存在xslt_bbs.xml中
from urllib import request
from lxml import etree
from gooseeker import gsExtractor

# 訪問并讀取網(wǎng)頁內(nèi)容
url = "http://www.gooseeker.com/cn/forum/7"
conn = request.urlopen(url)
doc = etree.HTML(conn.read())

# 生成xsltExtractor對(duì)象
bbsExtra = gsExtractor()
# 調(diào)用set方法設(shè)置xslt內(nèi)容
bbsExtra.setXsltFromFile("xslt_bbs.xml")
# 調(diào)用extract方法提取所需內(nèi)容
result = bbsExtra.extract(doc)
# 顯示提取結(jié)果
print(str(result))

提取結(jié)果如下圖所示：