Python即時網絡爬蟲項目: 內容提取器的定義

 

1. 項目背景

在python 即時網絡爬蟲項目啓動說明中咱們討論一個數字：程序員浪費在調測內容提取規則上的時間，從而咱們發起了這個項目，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做中。

 

2. 解決方案

爲了解決這個問題，咱們把影響通用性和工做效率的提取器隔離出來，描述了以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，那麼關鍵的接口有：

• 標準化的輸入：以標準的HTML DOM對象爲輸入
• 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：提取器是一個明肯定義的類，經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
       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
• 爲這個對象設定xslt提取器，至關於把這個對象配置好（使用三類setXXX()方法）
• 把html dom輸入給它，就能得到xml輸出（使用extract()方法）

下面是這個gsExtractor類的源代碼

 

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官網的bbs帖子列表。本示例有以下特徵：

• 提取器所用的xslt模板提早放在文件中：xslt_bbs.xml
• 僅做爲示例，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
• 在控制檯界面上打印出提取結果

下面是源代碼，均可從 github 下載

提取結果以下圖所示：

 

5. 接下來閱讀

本文已經說明了提取器的價值和用法，可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，這個問題將在其餘文章講解，請看《Python使用xslt提取網頁數據》。

 

6. 集搜客GooSeeker開源代碼下載源

1. GooSeeker開源Python網絡爬蟲GitHub源

 

7. 文檔修改歷史

2016-05-27：V2.0，增補項目背景介紹和價值說明
2016-05-27：V2.1，實現了提取器類的從GooSeeker API接口獲取xslt的方法
2016-05-29：V2.2，增長第六章：源代碼下載源，並更換github源的網址
2016-06-03：V2.3，提取器代碼更新爲2.0。支持同一主題下多規則或多整理箱的狀況，經過API方式獲取xslt時能夠傳入參數「規則編號」和「整理箱名稱」