1. 項目背景

在Python即時網絡爬蟲項目啟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太多了（見上圖），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。

這個項目推出以后受到很大關注，因為開放源碼，大家可以在現成源碼基礎上進一步開發。然而，Python3和Python2是有區別的，《Python即時網絡爬蟲項目: 內容提取器的定義》 一文的源碼無法在Python2.7下使用，本文將發布一個Python2.7的內容提取器。

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，描述了如下的數據處理流程圖：

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
適用python2.7的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(適用于Python2.7)

#!/usr/bin/python # -*- coding: utf-8 -*- # 模塊名: gooseeker_py2 # 類名: GsExtractor # Version: 2.0 # 適配Python版本: 2.7 # 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_py2.pyfrom urllib2 import urlopen from urllib import quote from lxml import etree import timeclass GsExtractor(object):def _init_(self):self.xslt = ""# 從文件讀取xsltdef setXsltFromFile(self , xsltFilePath):file = open(xsltFilePath , 'r')try:self.xslt = file.read()finally:file.close()# 從字符串獲得xsltdef setXsltFromMem(self , xsltStr):self.xslt = xsltStr# 通過GooSeeker API接口獲得xsltdef 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()# 返回當前xsltdef 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類提取豆瓣討論組話題。本示例有如下特征：

• 提取器的內容通過GooSeeker平臺上的api獲得

• 保存結果文件到當前文件夾

下面是源代碼，都可從 github 下載

# _*_coding:utf8_*_ # douban_py2.py # 爬取豆瓣小組討論話題 # Python版本: 2.7from lxml import etree from gooseeker_py2 import GsExtractor from selenium import webdriver import timeclass 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 outputdef saveContent(self, filepath, content):file_obj = open(filepath, 'w')file_obj.write(content)file_obj.close()doubanExtra = GsExtractor() # 下面這句調用gooseeker的api來設置xslt抓取規則 # 第一個參數是app key，請到GooSeeker會員中心申請 # 第二個參數是規則名，是通過GooSeeker的圖形化工具: 謀數臺MS 來生成的 doubanExtra.setXsltFromAPI("ffd5273e213036d812ea298922e2627b" , "豆瓣小組討論話題") url = "https://www.douban.com/group/haixiuzu/discussion?start=" totalpages = 5 doubanSpider = PhantomSpider() print("爬取開始")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("爬取結束")

提取結果如下圖所示：

5. 接下來閱讀

本文已經說明了提取器的價值和用法，但是沒有說怎樣生成它，只有快速生成提取器才能達到節省開發者時間的目的，這個問題將在其他文章講解，請看《1分鐘快速生成用于網頁內容提取的xslt模板》

6. 集搜客GooSeeker開源代碼下載源

GooSeeker開源Python網絡爬蟲GitHub源

7. 文檔修改歷史

2016-08-05：V1.0，Python2.7下的內容提取器類首次發布

總結

以上是生活随笔為你收集整理的Python即时网络爬虫项目: 内容提取器的定义(Python2.7版本)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。