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

#!/usr/bin/python
# -*- coding: utf-8 -*-
# 模塊名: gooseeker
# 類名: gsExtractor
# Version: 2.0
# 說明: html內容提取器
# 功能: 使用xslt做爲模板，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.py

from urllib import request
from urllib.parse 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' , encoding='UTF-8')
        try:
            self.xslt = file.read()
        finally:
            file.close()
    # 從字符串得到xslt
    def setXsltFromMem(self , xsltStr):
        self.xslt = xsltStr
    # 經過GooSeeker API接口得到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 = request.urlopen(apiurl)
        self.xslt = apiconn.read()
    # 返回當前xslt
    def 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

#-*_coding:utf8-*-
# 使用gsExtractor類的示例程序
# 訪問集搜客論壇，以xslt爲模板提取論壇內容
# xslt保存在xslt_bbs.xml中
from urllib import request
from lxml import etree
from gooseeker import gsExtractor

# 訪問並讀取網頁內容
url = "http://www.gooseeker.com/cn/forum/7"
conn = request.urlopen(url)
doc = etree.HTML(conn.read())

# 生成xsltExtractor對象
bbsExtra = gsExtractor()
# 調用set方法設置xslt內容
bbsExtra.setXsltFromFile("xslt_bbs.xml")
# 調用extract方法提取所需內容
result = bbsExtra.extract(doc)
# 顯示提取結果
print(str(result))

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

• 2016-05-27：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
• 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」