Python網(wǎng)絡(luò)爬蟲項(xiàng)目:內(nèi)容提取器的定義
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:
以上就是本文的全部?jī)?nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
- python爬蟲項(xiàng)目設(shè)置一個(gè)中斷重連的程序的實(shí)現(xiàn)
- 33個(gè)Python爬蟲項(xiàng)目實(shí)戰(zhàn)(推薦)
- 詳解python3 + Scrapy爬蟲學(xué)習(xí)之創(chuàng)建項(xiàng)目
- Python即時(shí)網(wǎng)絡(luò)爬蟲項(xiàng)目啟動(dòng)說明詳解
- python小項(xiàng)目之五子棋游戲
- Python 項(xiàng)目轉(zhuǎn)化為so文件實(shí)例
- 解決python web項(xiàng)目意外關(guān)閉,但占用端口的問題
- python+Django+pycharm+mysql 搭建首個(gè)web項(xiàng)目詳解
- 三個(gè)python爬蟲項(xiàng)目實(shí)例代碼
相關(guān)文章
Django ValuesQuerySet轉(zhuǎn)json方式
這篇文章主要介紹了Django ValuesQuerySet轉(zhuǎn)json方式,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2020-03-03python提示No module named images的解決方法
這篇文章主要介紹了python提示No module named images的解決方法,是Python程序設(shè)計(jì)中經(jīng)常遇到的問題,本文給出了具有針對(duì)性的解決方法,需要的朋友可以參考下2014-09-09一文詳解PyQt5中實(shí)現(xiàn)不規(guī)則窗口的顯示
這篇文章主要為大家詳細(xì)介紹了Python?PyQt5中實(shí)現(xiàn)不規(guī)則窗口的顯示的相關(guān)資料,文中的示例代碼講解詳細(xì),具有一定的借鑒價(jià)值,需要的可以參考一下2022-12-12利用Python代碼實(shí)現(xiàn)模擬動(dòng)態(tài)指針時(shí)鐘
這篇文章主要為大家詳細(xì)介紹了如何利用python和C++代碼實(shí)現(xiàn)模擬動(dòng)態(tài)指針時(shí)鐘,文中的示例代碼講解詳細(xì),感興趣的小伙伴可以跟隨小編一起了解一下2023-04-04在Python上基于Markov鏈生成偽隨機(jī)文本的教程
這篇文章主要介紹了在Python上基于Markov鏈生成偽隨機(jī)文本的教程,是一個(gè)基于馬爾可夫算法的小實(shí)現(xiàn),充分體現(xiàn)了Python在科學(xué)計(jì)算中的用途,需要的朋友可以參考下2015-04-04Django實(shí)現(xiàn)celery定時(shí)任務(wù)過程解析
這篇文章主要介紹了Django實(shí)現(xiàn)celery定時(shí)任務(wù)過程解析,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-04-04Python實(shí)現(xiàn)讀取大量Excel文件并跨文件批量計(jì)算平均值
這篇文章主要為大家詳細(xì)介紹了如何利用Python語言,實(shí)現(xiàn)對(duì)多個(gè)不同Excel文件進(jìn)行數(shù)據(jù)讀取與平均值計(jì)算的方法,感興趣的可以了解一下2023-02-02