python 用遞歸實(shí)現(xiàn)通用爬蟲(chóng)解析器

更新時(shí)間：2021年04月15日 15:35:47 作者：雞仔說(shuō)

這篇文章主要介紹了python 用遞歸實(shí)現(xiàn)通用爬蟲(chóng)解析器的方法，幫助大家更好的理解和學(xué)習(xí)使用python，感興趣的朋友可以了解下

需求分析

爬蟲(chóng)要解析的網(wǎng)頁(yè)類型無(wú)外乎 html、json 以及一些二進(jìn)制文件（video、excel 文件等）。既然要做成通用解析器，我們有兩種實(shí)現(xiàn)方式，一種是將網(wǎng)頁(yè)內(nèi)容轉(zhuǎn)換成統(tǒng)一的形式，然后用對(duì)應(yīng)的解析規(guī)則去解析，比如全部將網(wǎng)頁(yè)內(nèi)容轉(zhuǎn)換成 html 形式，然后用 xpath 去提取。

另外一種是配置文件預(yù)先告知的方式，你配置成什么類型，解析器就通過(guò)對(duì)應(yīng)的解析規(guī)則去解析。

統(tǒng)一網(wǎng)頁(yè)形式，需要做大量的網(wǎng)頁(yè)內(nèi)容形式轉(zhuǎn)換，而配置文件預(yù)先告知?jiǎng)t需要在配置時(shí)指定更多解析字段。相比較而言，通過(guò)第二種方式，未來(lái)改變較多的是配置規(guī)則，不需要?jiǎng)雍诵拇a，引入 bug 的可能性較低。因此這里我們采用第二種方式實(shí)現(xiàn)解析器

進(jìn)一步分析

解析器對(duì)于網(wǎng)頁(yè)內(nèi)容的提取，本質(zhì)上和我們?cè)诒镜仉娔X上查找和整理文件，沒(méi)有什么差別。比如像下面這樣

解析內(nèi)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(nèi)容，我們提取出來(lái)的形式應(yīng)該是這樣

{
  "design": "設(shè)計(jì)圖.psd",
  "software": "sketch.dmg"
}

而在實(shí)際的爬蟲(chóng)開(kāi)發(fā)過(guò)程中，網(wǎng)頁(yè)形式遠(yuǎn)比以上的復(fù)雜。其實(shí)遇到最多的問(wèn)題是在一組列表中嵌套一個(gè)列表，我們需要把這種形式提取出來(lái)。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(yīng)該是這樣

[
  {
    "a": "a",
    "c": "c1",
    "d": "d1"
  },
  {
    "a": "a",
    "c": "c2",
    "d": "d2"
  }
]

如果小伙伴對(duì)于算法熟悉的話，應(yīng)該能察覺(jué)出這種遍歷用遞歸來(lái)寫(xiě)是非常方便的。但要注意的是 python 會(huì)限定遞歸的層數(shù)，小伙伴可以通過(guò)下面這個(gè)方法查看遞歸限定的層數(shù)

import sys
print(sys.getrecursionlimit())

>>>1000

我這邊限定的層數(shù)是 1k。對(duì)于解析網(wǎng)頁(yè)來(lái)說(shuō)完全夠用了，如果哪個(gè)人把網(wǎng)頁(yè)解析邏輯嵌套了 1000 層，我建議你直接跟老板提放棄這個(gè)網(wǎng)頁(yè)吧！

再進(jìn)一步分析

我們已經(jīng)知道對(duì)于通用解析來(lái)說(shuō)，就是通過(guò)配置解析規(guī)則提取頁(yè)面的對(duì)應(yīng)信息。而針對(duì)有列表層級(jí)的網(wǎng)頁(yè)可能還涉及遞歸遍歷問(wèn)題。那如何去配置這種解析規(guī)則呢？其實(shí)很簡(jiǎn)單，只需要在進(jìn)入每一個(gè)層級(jí)之前先指定該層的數(shù)據(jù)形式，比如下面這個(gè)原數(shù)據(jù)

{
  "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(yīng)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(shù)據(jù)所擁有的字段名，當(dāng)然如果是需要遞歸到內(nèi)層的字段，則將列表保存為 __datas__ ，然后根據(jù)這個(gè) __datas__ 進(jìn)行內(nèi)層結(jié)構(gòu)的解析。最終我們得到的數(shù)據(jù)結(jié)構(gòu)應(yīng)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(lái)解析 html 對(duì)象呢？很簡(jiǎn)單，將解析方式改為 xpath 對(duì)象，然后傳入 xpath 解析語(yǔ)法即可。

代碼實(shí)現(xiàn)

總共分成兩部分，一部分根據(jù)原最終結(jié)果和規(guī)則進(jìn)行打包，將所有涉及 recursion 邏輯的字段進(jìn)行轉(zhuǎn)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(jìn)行解析，將打包得到的結(jié)果進(jìn)行解包，即將所有內(nèi)嵌的數(shù)據(jù)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(shí)現(xiàn)了對(duì)于 json 的支持，小伙伴可以基于自己的項(xiàng)目，改造成其他的解析形式。通用解析其實(shí)是雞仔為了偷懶寫(xiě)的，因?yàn)殡u仔發(fā)現(xiàn)，在爬蟲(chóng)開(kāi)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(yè)面，運(yùn)營(yíng)和數(shù)據(jù)分析師就可以根據(jù)自己的需要配置自己想爬取的站點(diǎn)了。人生苦短，你懂得。我去摸魚(yú)了~

實(shí)現(xiàn)方式請(qǐng)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(shí)現(xiàn)通用爬蟲(chóng)解析器的詳細(xì)內(nèi)容，更多關(guān)于python 遞歸實(shí)現(xiàn)爬蟲(chóng)解析器的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: