Python即时网络爬虫项目: 内容提取器的定义

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：

图中“可插拔提取器”必须很强的模块化，那么关键的接口有：

• 标准化的输入：以标准的HTML DOM对象为输入
• 标准化的内容提取：使用标准的xslt模板提取网页内容
• 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
• 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
       适用python3的源代码文件及其说明文档请从 github 下载

使用模式是这样的：

• 实例化一个GsExtractor对象
• 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）
• 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(适用于Python3)

1. #!/usr/bin/python
   
2. # -*- coding: utf-8 -*-
   
3. # 模块名: gooseeker
   
4. # 类名: GsExtractor
   
5. # Version: 2.0
   
6. # 适配Python版本: Python3
   
7. # 说明: html内容提取器
   
8. # 功能: 使用xslt作为模板，快速提取HTML DOM中的内容。
   
9. # released by 集搜客(http://www.gooseeker.com) on May 18, 2016
   
10. # github: https://github.com/FullerHua/jisou/core/gooseeker.py
    
11. 
    
12. from urllib import request
    
13. from urllib.parse import quote
    
14. from lxml import etree
    
15. import time
    
16. 
    
17. class GsExtractor(object):
    
18.     def _init_(self):
    
19.         self.xslt = ""
    
20.     # 从文件读取xslt
    
21.     def setXsltFromFile(self , xsltFilePath):
    
22.         file = open(xsltFilePath , 'r' , encoding='UTF-8')
    
23.         try:
    
24.             self.xslt = file.read()
    
25.         finally:
    
26.             file.close()
    
27.     # 从字符串获得xslt
    
28.     def setXsltFromMem(self , xsltStr):
    
29.         self.xslt = xsltStr
    
30.     # 通过GooSeeker API接口获得xslt
    
31.     def setXsltFromAPI(self , APIKey , theme, middle=None, bname=None):
    
32.         apiurl = "http://www.gooseeker.com/api/getextractor?key="+ APIKey +"&theme="+quote(theme)
    
33.         if (middle):
    
34.             apiurl = apiurl + "&middle="+quote(middle)
    
35.         if (bname):
    
36.             apiurl = apiurl + "&bname="+quote(bname)
    
37.         apiconn = request.urlopen(apiurl)
    
38.         self.xslt = apiconn.read()
    
39.     # 返回当前xslt
    
40.     def getXslt(self):
    
41.         return self.xslt
    
42.     # 提取方法，入参是一个HTML DOM对象，返回是提取结果
    
43.     def extract(self , html):
    
44.         xslt_root = etree.XML(self.xslt)
    
45.         transform = etree.XSLT(xslt_root)
    
46.         result_tree = transform(html)
    
47.         return result_tree

复制代码

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：

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

复制代码

提取结果如下图所示：





5. 接下来阅读
本文已经说明了提取器的价值和用法，但是没有说怎样生成它，只有快速生成提取器才能达到节省开发者时间的目的，这个问题将在其他文章讲解，请看《1分钟快速生成用于网页内容提取的xslt模板》

6. 集搜客GooSeeker开源代码下载源
1. GooSeeker开源Python网络爬虫GitHub源

7. 文档修改历史
2016-05-25：V2.0，增补项目背景介绍和价值说明
2016-05-26：V2.1，实现了提取器类的从GooSeeker API接口获取xslt的方法
2016-05-29：V2.2，增加第六章：源代码下载源，并更换github源的网址
2016-06-03：V2.3，提取器代码更新为2.0。支持同一主题下多规则或多整理箱的情况，通过API方式获取xslt时可以传入参数“规则编号”和“整理箱名称”

一个问题：
1，这个etree生成的transform对象，就能用html文本文档做输入又能用DOM对象做数据？

两个建议：
1，open(xsltFilePath,'r',encoding='UTF-8')  逗号之后加上空格，便于阅读
2，给出一个用法程序，方便大家理解

另外，setXslt(self,xsltFilePath)只是其中一种抓取规则源——磁盘文件。建议在命名上给其它源预留好。比如，
1，从内存中来的抓取规则
2，直接从GooSeeker会员中心来的抓取规则
等等

setXslt目前规划了3个：1.从文件来 2.从内存对象来 3.从API来
我修改一下类定义

Fuller 发表于 2016-5-19 19:06
一个问题：
1，这个etree生成的transform对象，就能用html文本文档做输入又能用DOM对象做数据？

应该是HTML DOM
我会给出用法程序

完善了类的定义，贴出了一个测试过的示例程序

更新了提取器类gsExtractor的定义，实现了从GooSeeker API获取xslt的方法

shenzhenwan10 发表于 2016-5-26 17:36
更新了提取器类gsExtractor的定义，实现了从GooSeeker API获取xslt的方法

从api获取抓取规则的话，现在这个实现，不知道python用的是同步方式还是异步方式？

extract()方法输出的是xml字符串还是xml DOM？这个没有说清楚。加上Python这种没有类型的编程语言，容易懵圈

简书上有篇介绍Scrapy的文章《Scrapy爬虫学习记录》，先运行

1. scrapy startproject xxxx

复制代码

生成一个爬虫，就把程序架子搭起来了，然后自己用python代码补充进去，比如parse部分和pipeline的处理部分等等。这个思想挺好的。我们是否也能融入这个框架，或者做一个类似框架？