235
gooseeker集搜客
Python使用xslt提取網頁數據
1，引言
在Python網絡爬蟲內容提取器一文我們詳細講解了核心部件：可插拔的內容提取器類gsExtractor。本文記錄了確定gsExtractor的技術路線過程中所做的編程實驗。這是第一部分，實驗了用xslt方式一次性提取靜態網頁內容並轉換成xml格式。
2，用lxml庫實現網頁內容提取
lxml是python的一個庫，可以迅速、靈活地處理 XML。它支持 XML Path Language (XPath) 和 Extensible Stylesheet Language Transformation (XSLT)，並且實現了常見的 ElementTree API。
這2天測試了在python中通過xslt來提取網頁內容，記錄如下：
2.1，抓取目標
假設要提取集搜客官網舊版論壇的帖子標題和回複數，如下圖，要把整個列表提取出來，存成xml格式
2.2，源代碼1：隻抓當前頁，結果顯示在控製台
Python的優勢是用很少量代碼就能解決一個問題，請注意下麵的代碼看起來很長，其實python函數調用沒有幾個，大篇幅被一個xslt腳本占去了，在這段代碼中，隻是一個好長的字符串而已，至於為什麼選擇xslt，而不是離散的xpath或者讓人撓頭的正則表達式，請參看Python即時網絡爬蟲項目啟動說明，我們期望通過這個架構，把程序員的時間節省下來一大半。
可以拷貝運行下麵的代碼(在windows10， python3.2下測試通過)：
from urllib import request
from lxml import etree
url="https://www.gooseeker.com/cn/forum/7"
conn = request.urlopen(url)
doc = etree.HTML(conn.read())
xslt_root = etree.XML("""\
<xsl:stylesheet version="1.0" xmlns:xsl="https://www.w3.org/1999/XSL/Transform" >
<xsl:template match="/">
<列表>
<xsl:apply-templates select="//*[@id='forum' and count(./table/tbody/tr[position()>=1 and count(.//*[@class='topic']/a/text())>0])>0]" mode="列表"/>
</列表>
</xsl:template>
<xsl:template match="table/tbody/tr[position()>=1]" mode="list">
<item>
<標題>
<xsl:value-of select="*//*[@class='topic']/a/text()"/>
<xsl:value-of select="*[@class='topic']/a/text()"/>
<xsl:if test="@class='topic'">
<xsl:value-of select="a/text()"/>
</xsl:if>
</標題>
<回複數>
<xsl:value-of select="*//*[@class='replies']/text()"/>
<xsl:value-of select="*[@class='replies']/text()"/>
<xsl:if test="@class='replies'">
<xsl:value-of select="text()"/>
</xsl:if>
</回複數>
</item>
</xsl:template>
<xsl:template match="//*[@id='forum' and count(./table/tbody/tr[position()>=1 and count(.//*[@class='topic']/a/text())>0])>0]" mode="列表">
<item>
<list>
<xsl:apply-templates select="table/tbody/tr[position()>=1]" mode="list"/>
</list>
</item>
</xsl:template>
</xsl:stylesheet>""")
transform = etree.XSLT(xslt_root)
result_tree = transform(doc)
print(result_tree)源代碼下載地址請見文章末尾的GitHub源。
2.3，抓取結果
得到的抓取結果如下圖：
2.4，源代碼2：翻頁抓取，結果存入文件
我們對2.2的代碼再做進一步修改，增加翻頁抓取和存結果文件功能，代碼如下：
from urllib import request
from lxml import etree
import time
xslt_root = etree.XML("""\
<xsl:stylesheet version="1.0" xmlns:xsl="https://www.w3.org/1999/XSL/Transform" >
<xsl:template match="/">
<列表>
<xsl:apply-templates select="//*[@id='forum' and count(./table/tbody/tr[position()>=1 and count(.//*[@class='topic']/a/text())>0])>0]" mode="列表"/>
</列表>
</xsl:template>
<xsl:template match="table/tbody/tr[position()>=1]" mode="list">
<item>
<標題>
<xsl:value-of select="*//*[@class='topic']/a/text()"/>
<xsl:value-of select="*[@class='topic']/a/text()"/>
<xsl:if test="@class='topic'">
<xsl:value-of select="a/text()"/>
</xsl:if>
</標題>
<回複數>
<xsl:value-of select="*//*[@class='replies']/text()"/>
<xsl:value-of select="*[@class='replies']/text()"/>
<xsl:if test="@class='replies'">
<xsl:value-of select="text()"/>
</xsl:if>
</回複數>
</item>
</xsl:template>
<xsl:template match="//*[@id='forum' and count(./table/tbody/tr[position()>=1 and count(.//*[@class='topic']/a/text())>0])>0]" mode="列表">
<item>
<list>
<xsl:apply-templates select="table/tbody/tr[position()>=1]" mode="list"/>
</list>
</item>
</xsl:template>
</xsl:stylesheet>""")
baseurl = "https://www.gooseeker.com/cn/forum/7"
basefilebegin = "jsk_bbs_"
basefileend = ".xml"
count = 1
while (count < 12):
url = baseurl + "?page=" + str(count)
conn = request.urlopen(url)
doc = etree.HTML(conn.read())
transform = etree.XSLT(xslt_root)
result_tree = transform(doc)
print(str(result_tree))
file_obj = open(basefilebegin+str(count)+basefileend,'w',encoding='UTF-8')
file_obj.write(str(result_tree))
file_obj.close()
count += 1
time.sleep(2)我們增加了寫文件的代碼，還增加了一個循環，構造每個翻頁的網址，但是，如果翻頁過程中網址總是不變怎麼辦？其實這就是動態網頁內容，下麵會討論這個問題。
3，總結
這是開源Python通用爬蟲項目的驗證過程，在一個爬蟲框架裏麵，其它部分都容易做成通用的，就是網頁內容提取和轉換成結構化的操作難於通用，我們稱之為提取器。但是，借助GooSeeker可視化提取規則生成器MS謀數台 ，提取器的生成過程將變得很便捷，而且可以標準化插入，從而實現通用爬蟲，在後續的文章中會專門講解MS謀數台與Python配合的具體方法。
4，接下來閱讀
本文介紹的方法通常用來抓取靜態網頁內容，也就是所謂的html文檔中的內容，目前很多網站內容是用javascript動態生成的，一開始html是沒有這些內容的，通過後加載方式添加進來，那麼就需要采用動態技術，請閱讀Python爬蟲使用Selenium+PhantomJS抓取Ajax和動態HTML內容。
5，集搜客GooSeeker開源代碼下載源
- GooSeeker開源Python網絡爬蟲GitHub源
6，文檔修改曆史
- 2016-05-26：V2.0，增補文字說明；把更新的代碼補充了進來
- 2016-05-29：V2.1，增加最後一章源代碼下載源
若有疑問可以或
最後更新：2017-01-09 14:08:09