Python網絡爬蟲項目：內容提取器的定義

本篇文章主要介紹了Python網絡爬蟲項目，這能有效的節省程序員的時間，具有一定的參考價值，感興趣的小夥伴們可以參考一下。

1. 項目背景
   在python 即時網絡爬蟲項目啓動說明中我們討論一個數字：程序員浪費在調測內容提取規則上的時間，從而我們發起了這個項目，把程序員從繁瑣的調測規則中解放出來，投入到更高端的數據處理工作中。

2. 解決方案

爲了解決這個問題，我們把影響通用性和工作效率的提取器隔離出來，描述瞭如下的數據處理流程圖：
圖中“可插拔提取器”必須很強的模塊化，那麼關鍵的接口有:

標準化的輸入：以標準的HTML DOM對象爲輸入
標準化的內容提取：使用標準的xslt模板提取網頁內容
標準化的輸出：以標準的XML格式輸出從網頁上提取到的內容
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絡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
爲這個對象設定xslt提取器，相當於把這個對象配置好（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內容提取器
# 功能: 使用xslt作爲模板，快速提取HTML DOM中的內容。
# 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()
  # 返回當前xslt
  def getXslt(self):
    return self.xslt
  # 提取方法，入參是一個HTML DOM對象，返回是提取結果
  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官網的bbs帖子列表。本示例有如下特徵

提取器所用的xslt模板提前放在文件中：xslt_bbs.xml
僅作爲示例，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
在控制檯界面上打印出提取結果
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爲模板提取論壇內容
# xslt保存在xslt_bbs.xml中
from urllib import request
from lxml import etree
from gooseeker import gsExtractor
 
# 訪問並讀取網頁內容
url = "http://www.gooseeker.com/cn/forum/7"
conn = request.urlopen(url)
doc = etree.HTML(conn.read())
 
# 生成xsltExtractor對象
bbsExtra = gsExtractor()
# 調用set方法設置xslt內容
bbsExtra.setXsltFromFile("xslt_bbs.xml")
# 調用extract方法提取所需內容
result = bbsExtra.extract(doc)
# 顯示提取結果
print(str(result))

提取結果如下圖所示：

最後給大家推薦一個口碑不錯的python聚集地【點擊進入】，這裏有很多的老前輩學習技巧，學習心得

，面試技巧，職場經歷等分享，更爲大家精心準備了零基礎入門資料，實戰項目資料，每天都有程序員

定時講解Python技術，分享一些學習的方法和需要留意的小細節