久久成人一区,精品一二三,国产精品1区2区

1. 項目背景

在python 即時網(wǎng)絡爬蟲項目啟動說明中我們討論一個數(shù)字：程序員浪費在調測內容提取規(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：

Python網(wǎng)絡爬蟲項目：內容提取器的定義

圖中“可插拔提取器”必須很強的模塊化，那么關鍵的接口有:

標準化的輸入：以標準的HTML DOM對象為輸入
標準化的內容提?。菏褂脴藴实膞slt模板提取網(wǎng)頁內容
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
為這個對象設定xslt提取器，相當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內容提取器

									# 功能: 使用xslt作為模板，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?yún)⑹且粋€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(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))