Python网络爬虫项目：内容提取器的定义

曾经终败给现在 2023-05-28 05:26 27阅读 0赞

本篇文章主要介绍了Python网络爬虫项目，这能有效的节省程序员的时间，具有一定的参考价值，感兴趣的小伙伴们可以参考一下。

1.  项目背景  
    在python 即时网络爬虫项目启动说明中我们讨论一个数字：程序员浪费在调测内容提取规则上的时间，从而我们发起了这个项目，把程序员从繁琐的调测规则中解放出来，投入到更高端的数据处理工作中。
2.  解决方案

为了解决这个问题，我们把影响通用性和工作效率的提取器隔离出来，描述了如下的数据处理流程图：![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hhb3h1bjEy_size_16_color_FFFFFF_t_70]  
图中“可插拔提取器”必须很强的模块化，那么关键的接口有:

标准化的输入：以标准的HTML DOM对象为输入  
标准化的内容提取：使用标准的xslt模板提取网页内容  
标准化的输出：以标准的XML格式输出从网页上提取到的内容  
明确的提取器插拔接口：提取器是一个明确定义的类，通过类方法与爬虫引擎模块交互  
3. 提取器代码  
可插拔提取器是即时网络爬虫项目的核心组件，定义成一个类： gsExtractor  
python源代码文件及其说明文档请从 github 下载

使用模式是这样的：

实例化一个gsExtractor对象  
为这个对象设定xslt提取器，相当于把这个对象配置好（使用三类setXXX()方法）  
把html dom输入给它，就能获得xml输出（使用extract()方法）  
下面是这个gsExtractor类的源代码

#!/usr/bin/python
    # -*- coding: utf-8 -*-
    # 模块名: gooseeker
    # 类名: gsExtractor
    # Version: 2.0
    # 说明: html内容提取器
    # 功能: 使用xslt作为模板，快速提取HTML DOM中的内容。
    # 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 = ""
      # 从文件读取xslt
      def setXsltFromFile(self , xsltFilePath):
        file = open(xsltFilePath , 'r' , encoding='UTF-8')
        try:
          self.xslt = file.read()
        finally:
          file.close()
      # 从字符串获得xslt
      def setXsltFromMem(self , xsltStr):
        self.xslt = xsltStr
      # 通过GooSeeker API接口获得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()
      # 返回当前xslt
      def getXslt(self):
        return self.xslt
      # 提取方法，入参是一个HTML DOM对象，返回是提取结果
      def extract(self , html):
        xslt_root = etree.XML(self.xslt)
        transform = etree.XSLT(xslt_root)
        result_tree = transform(html)
        return result_tree

1.  用法示例  
    下面是一个示例程序，演示怎样使用gsExtractor类提取GooSeeker官网的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  
仅作为示例，实际使用场景中，xslt来源有多个，最主流的来源是GooSeeker平台上的api  
在控制台界面上打印出提取结果  
下面是源代码，都可从 github 下载

#-*_coding:utf8-*-
    # 使用gsExtractor类的示例程序
    # 访问集搜客论坛，以xslt为模板提取论坛内容
    # xslt保存在xslt_bbs.xml中
    from urllib import request
    from lxml import etree
    from gooseeker import gsExtractor
     
    # 访问并读取网页内容
    url = "http://www.gooseeker.com/cn/forum/7"
    conn = request.urlopen(url)
    doc = etree.HTML(conn.read())
     
    # 生成xsltExtractor对象
    bbsExtra = gsExtractor()
    # 调用set方法设置xslt内容
    bbsExtra.setXsltFromFile("xslt_bbs.xml")
    # 调用extract方法提取所需内容
    result = bbsExtra.extract(doc)
    # 显示提取结果
    print(str(result))

提取结果如下图所示：![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hhb3h1bjEy_size_16_color_FFFFFF_t_70 1]

最后给大家推荐一个口碑不错的python聚集地【[点击进入][Link 1]】，这里有很多的老前辈学习技巧，学习心得

，面试技巧，职场经历等分享，更为大家精心准备了零基础入门资料，实战项目资料，每天都有程序员

定时讲解Python技术，分享一些学习的方法和需要留意的小细节

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hhb3h1bjEy_size_16_color_FFFFFF_t_70]: /images/20230528/30ceabe82d2b44f2841496fa1f5fdc17.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hhb3h1bjEy_size_16_color_FFFFFF_t_70 1]: /images/20230528/166d49597b0241e09f03e1de8fe65a64.png
[Link 1]: https://jq.qq.com/?_wv=1027&k=5cb1kUZ