Python即時網絡爬蟲項目: 內容提取器的定義(Python2.7版本)

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太多了（見上圖），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。

這個項目推出之後受到很大關注，由於開放源碼，你們能夠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》 一文的源碼沒法在Python2.7下使用，本文將發佈一個Python2.7的內容提取器。

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
       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
• 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(適用於Python2.7)

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。本示例有以下特徵：

• 提取器的內容經過GooSeeker平臺上的api得到
• 保存結果文件到當前文件夾
  

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《1分鐘快速生成用於網頁內容提取的xslt模板》

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
2016-08-05：V1.0，Python2.7下的內容提取器類首次發佈