网页内容抓取工具(Python即时网络爬虫GitHub源7.文档修改历史(组图))

　　网页内容抓取工具(Python即时网络爬虫GitHub源7.文档修改历史(组图))

　　1.项目背景

　　在Python Instant网络爬行动物项目中，我们讨论一个数字：程序员浪费在内容提取规则的调试中太多了（见图），所以我们推出了这个项目，并将程序员从繁琐的监管规则解放并放置进入高端数据处理工作。

　　这个项目是推出的，它很大程度上，因为开源，你可以在现成的源代码上进一步开发它。但是，Python3和Python2是不同的，“Python Instant网络爬行动物项目：内容提取器定义”文章的源代码不能用于Python 2. 7，这将发布一个Python 2. 7内容提取器。

　　2.解解

　　为了解决这个问题，我们隔离影响*敏*感*词*性和工作效率的提取器，描述了以下数据处理流程图：

　　

　　图中的“可插拔提取器”必须非常模块化，然后键接口是：

　　3.提取器代码

　　插件提取器是即时网络爬行动物项目的核心组件，定义为类：GSExtractor

　　Python 2. 7及其描述文档的源代码文件请下载

　　从github

　　使用方式如下：

　　以下是此GSExtractor类的源代码（对于python 2.7)

　　#!/usr/bin/python

# -*- coding: utf-8 -*-

# 模块名: gooseeker_py2

# 类名: GsExtractor

# Version: 2.0

# 适配Python版本: 2.7

# 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_py2.py

from urllib2 import urlopen

from urllib 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')

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 = 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.用法示示

　　以下是一个示例程序，演示如何使用GSExtractor类提取Douban讨论组主题。此示例具有以下特征：

　　以下是源代码，您可以下载

　　从github

　　# _*_coding:utf8_*_

# douban_py2.py

# 爬取豆瓣小组讨论话题

# Python版本: 2.7

from lxml import etree

from gooseeker_py2 import GsExtractor

from selenium import webdriver

import time

class PhantomSpider:

def getContent(self, url):

browser = webdriver.PhantomJS(executable_path='C:\\phantomjs-2.1.1-windows\\bin\\phantomjs.exe')

browser.get(url)

time.sleep(3)

html = browser.execute_script("return document.documentElement.outerHTML")

output = etree.HTML(html)

return output

def saveContent(self, filepath, content):

file_obj = open(filepath, 'w')

file_obj.write(content)

file_obj.close()

doubanExtra = GsExtractor()

# 下面这句调用gooseeker的api来设置xslt抓取规则

# 第一个参数是app key，请到GooSeeker会员中心申请

# 第二个参数是规则名，是通过GooSeeker的图形化工具: 谋数台MS 来生成的

doubanExtra.setXsltFromAPI("ffd5273e213036d812ea298922e2627b" , "豆瓣小组讨论话题")

url = "https://www.douban.com/group/haixiuzu/discussion?start="

totalpages = 5

doubanSpider = PhantomSpider()

print("爬取开始")

for pagenumber in range(1 , totalpages):

currenturl = url + str((pagenumber-1)*25)

print("正在爬取", currenturl)

content = doubanSpider.getContent(currenturl)

outputxml = doubanExtra.extract(content)

outputfile = "result" + str(pagenumber) +".xml"

doubanSpider.saveContent(outputfile , str(outputxml))

print("爬取结束")

　　结果如下图所示：

　　

　　5.下一个读

　　本文已经解释了提取器的价值和用法，但它没有说如何生成它，只有快速生成的提取器可以达到节省开发人员时间的目的，这个问题将在其他文章讲讲中，请参阅“1分钟快速生成Web Content Extract的XSLT模板”

　　6.集搜客geker开源代码下载源

　　1. gooseeker开源python网络爬网github源

　　7.文修修历历史

　　2016-08-05：v 1. 0，python 2. 7内容提取第一个版本