資訊專欄INFORMATION COLUMN
摘要：然而，和是有區(qū)別的，即時網(wǎng)絡(luò)爬蟲項目內(nèi)容提取器的定義一文的源碼無法在下使用，本文將發(fā)布一個的內(nèi)容提取器。
1. 項目背景
在Python即時網(wǎng)絡(luò)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(diào)測內(nèi)容提取規(guī)則上的時間太多了（見上圖），從而我們發(fā)起了這個項目，把程序員從繁瑣的調(diào)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。
這個項目推出以后受到很大關(guān)注，因為開放源碼，大家可以在現(xiàn)成源碼基礎(chǔ)上進一步開發(fā)。然而，Python3和Python2是有區(qū)別的，《Python即時網(wǎng)絡(luò)爬蟲項目: 內(nèi)容提取器的定義》 一文的源碼無法在Python2.7下使用，本文將發(fā)布一個Python2.7的內(nèi)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(shù)據(jù)處理流程圖：
圖中“可插拔提取器”必須很強的模塊化，那么關(guān)鍵的接口有：
標(biāo)準(zhǔn)化的輸入：以標(biāo)準(zhǔn)的HTML DOM對象為輸入
標(biāo)準(zhǔn)化的內(nèi)容提?。菏褂脴?biāo)準(zhǔn)的xslt模板提取網(wǎng)頁內(nèi)容
標(biāo)準(zhǔn)化的輸出：以標(biāo)準(zhǔn)的XML格式輸出從網(wǎng)頁上提取到的內(nèi)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(luò)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(shè)定xslt提取器，相當(dāng)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(nèi)容提取器
# 功能: 使用xslt作為模板，快速提取HTML DOM中的內(nèi)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 = ""
# 從文件讀取xslt
def setXsltFromFile(self , xsltFilePath):
file = open(xsltFilePath , "r")
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 = urlopen(apiurl)
self.xslt = apiconn.read()
# 返回當(dāng)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(jié)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(nèi)容通過GooSeeker平臺上的api獲得
保存結(jié)果文件到當(dāng)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: 2.7
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-windowsinphantomjs.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()
# 下面這句調(diào)用gooseeker的api來設(shè)置xslt抓取規(guī)則
# 第一個參數(shù)是app key，請到GooSeeker會員中心申請
# 第二個參數(shù)是規(guī)則名，是通過GooSeeker的圖形化工具: 謀數(shù)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(jié)束")
提取結(jié)果如下圖所示：
5. 接下來閱讀本文已經(jīng)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(dá)到節(jié)省開發(fā)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(wǎng)頁內(nèi)容提取的xslt模板》
6. 集搜客GooSeeker開源代碼下載源GooSeeker開源Python網(wǎng)絡(luò)爬蟲GitHub源
7. 文檔修改歷史2016-08-05：V1.0，Python2.7下的內(nèi)容提取器類首次發(fā)布
文章版權(quán)歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請注明本文地址：http://systransis.cn/yun/38102.html
摘要：集搜客從文件讀取從字符串獲得通過接口獲得返回當(dāng)前提取方法，入?yún)⑹且粋€對象，返回是提取結(jié)果用法示例下面是一個示例程序，演示怎樣使用類提取官網(wǎng)的帖子列表。 1. 項目背景 在python 即時網(wǎng)絡(luò)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(diào)測內(nèi)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(diào)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...
摘要：，引言在即時網(wǎng)絡(luò)爬蟲項目內(nèi)容提取器的定義一文我們定義了一個通用的網(wǎng)絡(luò)爬蟲類，期望通過這個項目節(jié)省程序員一半以上的時間。本文將用一個實例講解怎樣使用這個爬蟲類。我們將爬集搜客老版論壇，是一個用做的論壇。 showImg(https://segmentfault.com/img/bVxTdG); 1，引言 在《Python即時網(wǎng)絡(luò)爬蟲項目: 內(nèi)容提取器的定義》一文我們定義了一個通用的pyt...
摘要：為了使用各種應(yīng)用場景，該項目的整個網(wǎng)絡(luò)爬蟲產(chǎn)品線包含了四類產(chǎn)品，如下圖所示本實戰(zhàn)是上圖中的獨立爬蟲的一個實例，以采集安居客房產(chǎn)經(jīng)紀(jì)人信息為例，記錄整個采集流程，包括和依賴庫的安裝，即便是初學(xué)者，也可以跟著文章內(nèi)容成功地完成運行。 showImg(https://segmentfault.com/img/bVy2Iy); 1， 引言 Python開源網(wǎng)絡(luò)爬蟲項目啟動之初，我們就把網(wǎng)絡(luò)爬蟲...
摘要：，引言注釋上一篇爬蟲實戰(zhàn)安居客房產(chǎn)經(jīng)紀(jì)人信息采集，訪問的網(wǎng)頁是靜態(tài)網(wǎng)頁，有朋友模仿那個實戰(zhàn)來采集動態(tài)加載豆瓣小組的網(wǎng)頁，結(jié)果不成功。 showImg(https://segmentfault.com/img/bVzdNZ); 1， 引言 注釋：上一篇《Python爬蟲實戰(zhàn)（3）：安居客房產(chǎn)經(jīng)紀(jì)人信息采集》，訪問的網(wǎng)頁是靜態(tài)網(wǎng)頁，有朋友模仿那個實戰(zhàn)來采集動態(tài)加載豆瓣小組的網(wǎng)頁，結(jié)果不成功...
摘要：用于數(shù)據(jù)分析和數(shù)據(jù)挖掘的網(wǎng)絡(luò)爬蟲程序中，內(nèi)容提取器是影響通用性的關(guān)鍵障礙，如果這個提取器是從獲得的，您的網(wǎng)絡(luò)爬蟲程序就能寫成通用的框架。，相關(guān)文檔，即時網(wǎng)絡(luò)爬蟲項目內(nèi)容提取器的定義，集搜客開源代碼下載源，開源網(wǎng)絡(luò)爬蟲源，文檔修改歷史， showImg(https://segmentfault.com/img/bVynLk); API說明——下載gsExtractor內(nèi)容提取器 1，接口...
閱讀 1285·2023-04-25 23:22
閱讀 1682·2023-04-25 20:04
閱讀 2655·2021-11-22 15:24
閱讀 2820·2021-11-11 16:54
閱讀 1894·2019-08-30 14:03
閱讀 1494·2019-08-29 16:35
閱讀 1714·2019-08-26 10:29
閱讀 2684·2019-08-23 18:01
