网站内容抓取工具(1.提取器修改历史上一章Python读取PDF内容下常用浏览器)

　　网站内容抓取工具(1.提取器修改历史上一章Python读取PDF内容下常用浏览器)

　　1. 项目背景

　　在Python即时网络爬虫项目启动说明中，我们讨论了一个数字：程序员在调试内容提取规则上浪费了时间，所以我们推出这个项目是为了让程序员从繁琐的调试规则中解放出来，投入更多的高端数据处理工作。

　　2. 解决方案

　　为了解决这个问题，我们将影响通用性和工作效率的提取器进行隔离，描述如下数据处理流程图：

　　图中的“可插拔提取器”一定是非常模块化的，所以关键接口是：

　　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，定义为一个类：gsExtractor

　　请从github下载python源代码文件及其文档

　　#!/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，演示了如何使用gsExtractor类提取GooSeeker官网的bbs帖子列表。这个例子有以下特点：

　　下面是源码，可以到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())

bbsExtra = gsExtractor() # 生成xsltExtractor对象

bbsExtra.setXsltFromFile("xslt_bbs.xml") # 调用set方法设置xslt内容

result = bbsExtra.extract(doc) # 调用extract方法提取所需内容

print(str(result))

　　提取结果如下图所示：

　　5. 阅读下一个

　　这篇文章已经解释了提取器的价值和用法，但没有说如何生成它。只有快速生成提取器才能达到节省开发者时间的目的。这个问题会在其他文章中解释，请看1分钟快速生成网页内容提取Xslt模板

　　1. GooSeeker 开源 Python 网络爬虫 GitHub 源码

　　7. 文档修订历史

　　上一章Python读取PDF内容下一章常用浏览器的UserAgent