个人中心
gpt4 book ai didi

Python网络爬虫项目：内容提取器的定义

转载 作者：qq735679552 更新时间：2022-09-27 22:32:09 25 4
gpt4 key购买 nike

CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章Python网络爬虫项目：内容提取器的定义由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

1. 项目背景 。

在python 即时网络爬虫项目启动说明中我们讨论一个数字：程序员浪费在调测内容提取规则上的时间，从而我们发起了这个项目，把程序员从繁琐的调测规则中解放出来，投入到更高端的数据处理工作中.

2. 解决方案 。

为了解决这个问题，我们把影响通用性和工作效率的提取器隔离出来，描述了如下的数据处理流程图:

Python网络爬虫项目：内容提取器的定义

图中“可插拔提取器”必须很强的模块化，那么关键的接口有

  1. 标准化的输入：以标准的HTML DOM对象为输入
  2. 标准化的内容提取：使用标准的xslt模板提取网页内容
  3. 标准化的输出：以标准的XML格式输出从网页上提取到的内容
  4. 明确的提取器插拔接口：提取器是一个明确定义的类，通过类方法与爬虫引擎模块交互

3. 提取器代码 。

可插拔提取器是即时网络爬虫项目的核心组件，定义成一个类： gsExtractor 。

python源代码文件及其说明文档请从 github 下载 。

使用模式是这样的:

  1. 实例化一个gsExtractor对象
  2. 为这个对象设定xslt提取器，相当于把这个对象配置好（使用三类setXXX()方法）
  3. 把html dom输入给它，就能获得xml输出（使用extract()方法）

下面是这个gsExtractor类的源代码 。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
#!/usr/bin/python
# -*- coding: utf-8 -*-
# 模块名: gooseeker
# 类名: gsExtractor
# Version: 2.0
# 说明: html内容提取器
# 功能: 使用xslt作为模板，快速提取HTML DOM中的内容。
# 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 = ""
   # 从文件读取xslt
   def setXsltFromFile( self , xsltFilePath):
     file = open (xsltFilePath , 'r' , encoding = 'UTF-8' )
     try :
       self .xslt = file .read()
     finally :
       file .close()
   # 从字符串获得xslt
   def setXsltFromMem( self , xsltStr):
     self .xslt = xsltStr
   # 通过GooSeeker API接口获得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 = request.urlopen(apiurl)
     self .xslt = apiconn.read()
   # 返回当前xslt
   def getXslt( self ):
     return self .xslt
   # 提取方法，入参是一个HTML DOM对象，返回是提取结果
   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 下面是一个示例程序，演示怎样使用gsExtractor类提取GooSeeker官网的bbs帖子列表。本示例有如下特征 。

  1. 提取器所用的xslt模板提前放在文件中：xslt_bbs.xml
  2. 仅作为示例，实际使用场景中，xslt来源有多个，最主流的来源是GooSeeker平台上的api
  3. 在控制台界面上打印出提取结果

下面是源代码，都可从 github 下载 。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
#-*_coding:utf8-*-
# 使用gsExtractor类的示例程序
# 访问集搜客论坛，以xslt为模板提取论坛内容
# xslt保存在xslt_bbs.xml中
from urllib import request
from lxml import etree
from gooseeker import gsExtractor
 
# 访问并读取网页内容
url = "http://www.gooseeker.com/cn/forum/7"
conn = request.urlopen(url)
doc = etree.HTML(conn.read())
 
# 生成xsltExtractor对象
bbsExtra = gsExtractor()
# 调用set方法设置xslt内容
bbsExtra.setXsltFromFile( "xslt_bbs.xml" )
# 调用extract方法提取所需内容
result = bbsExtra.extract(doc)
# 显示提取结果
print ( str (result))

提取结果如下图所示:

Python网络爬虫项目：内容提取器的定义

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我.

最后此篇关于Python网络爬虫项目：内容提取器的定义的文章就讲到这里了,如果你想了解更多关于Python网络爬虫项目：内容提取器的定义的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。

25 4 0
文章推荐： python解决网站的反爬虫策略总结
文章推荐： Python控制多进程与多线程并发数总结
文章推荐： Python实现ssh批量登录并执行命令
文章推荐： 详解Python的Lambda函数与排序
qq735679552
个人简介

我是一名优秀的程序员,十分优秀！

滴滴打车优惠券免费领取
滴滴打车优惠券
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com