Python网络爬虫项目：内容提取器的定义

1. 项目背景

在python 即时网络爬虫项目启动说明中我们讨论一个数字：程序员浪费在调测内容提取规则上的时间，从而我们发起了这个项目，把程序员从繁琐的调测规则中解放出来，投入到更高端的数据处理工作中。

2. 解决方案

为了解决这个问题，我们把影响通用性和工作效率的提取器隔离出来，描述了如下的数据处理流程图：

图中"可插拔提取器"必须很强的模块化，那么关键的接口有:

1. 标准化的输入：以标准的HTML DOM对象为输入
2. 标准化的内容提取：使用标准的xslt模板提取网页内容
3. 标准化的输出：以标准的XML格式输出从网页上提取到的内容
4. 明确的提取器插拔接口：提取器是一个明确定义的类，通过类方法与爬虫引擎模块交互

3. 提取器代码

可插拔提取器是即时网络爬虫项目的核心组件，定义成一个类： gsExtractor

python源代码文件及其说明文档请从 github 下载

使用模式是这样的：

1. 实例化一个gsExtractor对象
2. 为这个对象设定xslt提取器，相当于把这个对象配置好（使用三类setXXX()方法）
3. 把html dom输入给它，就能获得xml输出（使用extract()方法）

下面是这个gsExtractor类的源代码

    #!/usr/bin/python
    # -*- coding: utf-8 -*-
    # 模块名: gooseeker
    # 类名: gsExtractor
    # Version: 2.0
    # 说明: html内容提取器
    # 功能: 使用xslt作为模板，快速提取HTML DOM中的内容。
    # 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 = ""
      # 从文件读取xslt
      def setXsltFromFile(self , xsltFilePath):
        file = open(xsltFilePath , 'r' , encoding='UTF-8')
        try:
          self.xslt = file.read()
        finally:
          file.close()
      # 从字符串获得xslt
      def setXsltFromMem(self , xsltStr):
        self.xslt = xsltStr
      # 通过GooSeeker API接口获得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()
      # 返回当前xslt
      def getXslt(self):
        return self.xslt
      # 提取方法，入参是一个HTML DOM对象，返回是提取结果
      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
下面是一个示例程序，演示怎样使用gsExtractor类提取GooSeeker官网的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. 仅作为示例，实际使用场景中，xslt来源有多个，最主流的来源是GooSeeker平台上的api
3. 在控制台界面上打印出提取结果

下面是源代码，都可从 github 下载

    #-*_coding:utf8-*-
    # 使用gsExtractor类的示例程序
    # 访问集搜客论坛，以xslt为模板提取论坛内容
    # xslt保存在xslt_bbs.xml中
    from urllib import request
    from lxml import etree
    from gooseeker import gsExtractor

    # 访问并读取网页内容
    url = "http://www.gooseeker.com/cn/forum/7"
    conn = request.urlopen(url)
    doc = etree.HTML(conn.read())

    # 生成xsltExtractor对象
    bbsExtra = gsExtractor()
    # 调用set方法设置xslt内容
    bbsExtra.setXsltFromFile("xslt_bbs.xml")
    # 调用extract方法提取所需内容
    result = bbsExtra.extract(doc)
    # 显示提取结果
    print(str(result))

提取结果如下图所示：

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。