快速製做規則及獲取規則提取器API

1. 引言

前面文章的測試案例都用到了集搜客Gooseeker提供的規則提取器，在網頁抓取工做中，調試正則表達式或者XPath都是特別繁瑣的，耗時耗力，工做枯燥，若是有一個工具能夠快速生成規則，並且能夠可視化的即時驗證，就能把程序員解放出來，投入到創造性工做中。

以前文章所用的例子中的規則都是固定的，如何自定義規則再結合提取器提取咱們想要的網頁內容呢？對於程序員來講，理想的目標是掌握一個通用的爬蟲框架，每增長一個新目標網站就要跟着改代碼，這顯然不是好工做模式。這就是本篇文章的主要內容了，本文使用一個案例說明怎樣將新定義的採集規則融入到爬蟲框架中。也就是用可視化的集搜客GooSeeker爬蟲軟件針對亞馬遜圖書商品頁作一個採集規則，並結合規則提取器抓取網頁內容。

2. 安裝集搜客GooSeeker爬蟲軟件

2.1. 前期準備

進入集搜客官網產品頁面，下載對應版本。個人電腦上已經安裝了Firefox 38，因此這裏只需下載爬蟲。

2.2 安裝爬蟲

打開Firefox –> 點擊菜單工具 –> 附加組件 –> 點擊右上角附加組件的工具 –> 選擇從文件安裝附加組件 -> 選中下載好的爬蟲xpi文件 –> 當即安裝

下一步

下一步

3. 開始製做抓取規則

3.1 運行規則定義軟件

點擊瀏覽器菜單：工具-> MS謀數臺 彈出MS謀數臺窗口。

3.2 作規則

在網址欄輸入咱們要採集的網站連接，而後回車。當頁面加載完成後，在工做臺頁面依次操做：命名主題名 -> 建立規則 -> 新建整理箱 -> 在瀏覽器菜單選擇抓取內容，命名後保存。

4. 申請規則提取器API KEY

打開集搜客Gooseeke官網，註冊登錄後進入會員中心 -> API -> 申請API

5. 結合提取器API敲一個爬蟲程序

5.1 引入Gooseeker規則提取器模塊gooseeker.py

(下載地址: gooseeker/core at master · FullerHua/gooseeker · GitHub), 選擇一個存放目錄，這裏爲E:demogooseeker.py

5.2 與gooseeker.py同級建立一個.py後綴文件

如這裏爲E:Demothird.py，再以記事本打開，敲入代碼:
註釋：代碼中的31d24931e043e2d5364d03b8ff9cc77e 就是API KEY，用你申請的代替；amazon_book_pc 是規則的主題名，也用你的主題名代替

# -*- coding: utf-8 -*-
# 使用GsExtractor類的示例程序
# 以webdriver驅動Firefox採集亞馬遜商品列表
# xslt保存在xslt_bbs.xml中
# 採集結果保存在third文件夾中
import os
import time
from lxml import etree
from selenium import webdriver
from gooseeker import GsExtractor

# 引用提取器
bbsExtra = GsExtractor()   
bbsExtra.setXsltFromAPI("31d24931e043e2d5364d03b8ff9cc77e", "amazon_book_pc") # 設置xslt抓取規則

# 建立存儲結果的目錄
current_path = os.getcwd()
res_path = current_path + "/third-result"
if os.path.exists(res_path):
    pass
else:
    os.mkdir(res_path)

# 驅動火狐
driver = webdriver.Firefox()
url = "https://www.amazon.cn/s/ref=sr_pg_1?rh=n%3A658390051%2Cn%3A!658391051%2Cn%3A658414051%2Cn%3A658810051&page=1&ie=UTF8&qid=1476258544"
driver.get(url)
time.sleep(2)

# 獲取總頁碼
total_page = driver.find_element_by_xpath("//*[@class='pagnDisabled']").text
total_page = int(total_page) + 1

# 用簡單循環加載下一頁連接（也能夠定位到下一頁按鈕，循環點擊）
for page in range(1,total_page):
    # 獲取網頁內容
    content = driver.page_source.encode('utf-8')

    # 獲取docment
    doc = etree.HTML(content)
    # 調用extract方法提取所需內容
    result = bbsExtra.extract(doc)

    # 保存結果
    file_path = res_path + "/page-" + str(page) + ".xml"
    open(file_path,"wb").write(result)
    print('第' + str(page) + '頁採集完畢，文件:' + file_path)

    # 加載下一頁
    if page < total_page - 1:
        url = "https://www.amazon.cn/s/ref=sr_pg_" + str(page + 1) + "?rh=n%3A658390051%2Cn%3A!658391051%2Cn%3A658414051%2Cn%3A658810051&page=" + str(page + 1) + "&ie=UTF8&qid=1476258544"
        driver.get(url)
        time.sleep(2)
print("~~~採集完成~~~")
driver.quit()

5.3 執行third.py

打開命令提示窗口，進入third.py文件所在目錄，輸入命令 :python third.py 回車

5.4 查看結果文件

進入third.py文件所在目錄，找到名稱爲result-2的文件夾而後打開

6. 總結

製做規則時，因爲定位選擇的是偏好id，而採集網址的第二頁對應頁面元素的id屬性有變化，因此第二頁內容提取出現了問題，而後對照了一下網頁元素髮現class是同樣的，果斷將定位改成了偏好class，這下提取就正常了。下一篇《在Python3.5下安裝和測試Scrapy爬網站》簡單介紹Scrapy的使用方法。

7. 集搜客GooSeeker開源代碼下載源

GooSeeker開源Python網絡爬蟲GitHub源