908
gooseeker集搜客
Python即時網絡爬蟲項目: 內容提取器的定義
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，那麼關鍵的接口有：
- 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
#!/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(https://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 = "https://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
下麵是一個示例程序，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平台上的api
- 在控製台界麵上打印出提取結果
下麵是源代碼，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為模板提取論壇內容
# xslt保存在xslt_bbs.xml中
from urllib import request
from lxml import etree
from gooseeker import gsExtractor
# 訪問並讀取網頁內容
url = "https://www.gooseeker.com/cn/forum/7"
conn = request.urlopen(url)
doc = etree.HTML(conn.read())
bbsExtra = gsExtractor() # 生成xsltExtractor對象
bbsExtra.setXsltFromFile("xslt_bbs.xml") # 調用set方法設置xslt內容
result = bbsExtra.extract(doc) # 調用extract方法提取所需內容
print(str(result))提取結果如下圖所示：
5. 接下來閱讀
本文已經說明了提取器的價值和用法，但是沒有說怎樣生成它，隻有快速生成提取器才能達到節省開發者時間的目的，這個問題將在其他文章講解，請看《1分鍾快速生成用於網頁內容提取的xslt模板》。
6. GooSeeker開源Python項目下載源
- GooSeeker開源Python網絡爬蟲GitHub源
7. 文檔修改曆史
- 2016-05-25：V2.0，增補項目背景介紹和價值說明
- 2016-05-26：V2.1，實現了提取器類的從GooSeeker API接口獲取xslt的方法
- 2016-05-29：V2.2，增加第六章：源代碼下載源，並更換github源的網址
- 2016-06-03：V2.3，提取器代碼更新為2.0。支持同一主題下多規則或多整理箱的情況，通過API方式獲取xslt時可以傳入參數“規則編號”和“整理箱名稱”
最後更新：2017-01-09 14:08:09