Python網(wǎng)絡(luò)爬蟲項目:內(nèi)容提取器的定義
1. 項目背景
在python 即時網(wǎng)絡(luò)爬蟲項目啟動說明中我們討論一個數(shù)字:程序員浪費在調(diào)測內(nèi)容提取規(guī)則上的時間,從而我們發(fā)起了這個項目,把程序員從繁瑣的調(diào)測規(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”必須很強的模塊化,那么關(guān)鍵的接口有:
- 標準化的輸入:以標準的HTML DOM對象為輸入
- 標準化的內(nèi)容提?。菏褂脴藴实膞slt模板提取網(wǎng)頁內(nèi)容
- 標準化的輸出:以標準的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網(wǎng)絡(luò)爬蟲項目的核心組件,定義成一個類: gsExtractor
python源代碼文件及其說明文檔請從 github 下載
使用模式是這樣的:
- 實例化一個gsExtractor對象
- 為這個對象設(shè)定xslt提取器,相當(dāng)于把這個對象配置好(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€HTML DOM對象,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,實際使用場景中,xslt來源有多個,最主流的來源是GooSeeker平臺上的api
- 在控制臺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內(nèi)容,希望對大家的學(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
Django ValuesQuerySet轉(zhuǎn)json方式
這篇文章主要介紹了Django ValuesQuerySet轉(zhuǎn)json方式,具有很好的參考價值,希望對大家有所幫助。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)計中經(jīng)常遇到的問題,本文給出了具有針對性的解決方法,需要的朋友可以參考下2014-09-09一文詳解PyQt5中實現(xiàn)不規(guī)則窗口的顯示
這篇文章主要為大家詳細介紹了Python?PyQt5中實現(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,具有一定的借鑒價值,需要的可以參考一下2022-12-12利用Python代碼實現(xiàn)模擬動態(tài)指針時鐘
這篇文章主要為大家詳細介紹了如何利用python和C++代碼實現(xiàn)模擬動態(tài)指針時鐘,文中的示例代碼講解詳細,感興趣的小伙伴可以跟隨小編一起了解一下2023-04-04Django實現(xiàn)celery定時任務(wù)過程解析
這篇文章主要介紹了Django實現(xiàn)celery定時任務(wù)過程解析,文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2020-04-04Python實現(xiàn)讀取大量Excel文件并跨文件批量計算平均值
這篇文章主要為大家詳細介紹了如何利用Python語言,實現(xiàn)對多個不同Excel文件進行數(shù)據(jù)讀取與平均值計算的方法,感興趣的可以了解一下2023-02-02