欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python網(wǎng)絡(luò)爬蟲項(xiàng)目:內(nèi)容提取器的定義

 更新時(shí)間:2016年10月25日 15:38:52   作者:fullerhua  
本篇文章主要介紹了Python網(wǎng)絡(luò)爬蟲項(xiàng)目,這能有效的節(jié)省程序員的時(shí)間,具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下。

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:

  1. 標(biāo)準(zhǔn)化的輸入:以標(biāo)準(zhǔn)的HTML DOM對(duì)象為輸入
  2. 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
  3. 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
  4. 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:

  1. 實(shí)例化一個(gè)gsExtractor對(duì)象
  2. 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)
  3. 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

  1. 提取器所用的xslt模板提前放在文件中:xslt_bbs.xml
  2. 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
  3. 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。

相關(guān)文章

  • Python并發(fā)編程線程消息通信機(jī)制詳解

    Python并發(fā)編程線程消息通信機(jī)制詳解

    這篇文章主要為大家介紹了Python并發(fā)編程之線程消息通信機(jī)制的示例詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步
    2021-10-10
  • python中property和setter裝飾器用法

    python中property和setter裝飾器用法

    今天小編就為大家分享一篇python中property和setter裝飾器用法,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
    2019-12-12
  • Django ValuesQuerySet轉(zhuǎn)json方式

    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
    2020-03-03
  • python提示No module named images的解決方法

    python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

    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

    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
  • Django 源碼WSGI剖析過程詳解

    Django 源碼WSGI剖析過程詳解

    這篇文章主要介紹了Django 源碼WSGI剖析過程詳解,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
    2019-08-08
  • 在Python上基于Markov鏈生成偽隨機(jī)文本的教程

    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
    2015-04-04
  • Django實(shí)現(xiàn)celery定時(shí)任務(wù)過程解析

    Django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
    2020-04-04
  • Python實(shí)現(xiàn)讀取大量Excel文件并跨文件批量計(jì)算平均值

    Python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

最新評(píng)論