快速制作规则及获取规则提取器API

1. 引言

前面文章的测试案例都用到了集搜客Gooseeker提供的规则提取器，在网页抓取工作中，调试正则表达式或者XPath都是特别繁琐的，耗时耗力，工作枯燥，如果有一个工具可以快速生成规则，而且可以可视化的即时验证，就能把程序员解放出来，投入到创造性工作中。

之前文章所用的例子中的规则都是固定的，如何自定义规则再结合提取器提取我们想要的网页内容呢？对于程序员来说，理想的目标是掌握一个通用的爬虫框架，每增加一个新目标网站就要跟着改代码，这显然不是好工作模式。这就是本篇文章的主要内容了，本文使用一个案例说明怎样将新定义的采集规则融入到爬虫框架中。也就是用可视化的集搜客GooSeeker爬虫软件针对亚马逊图书商品页做一个采集规则，并结合规则提取器抓取网页内容。

2. 安装集搜客GooSeeker爬虫软件

2.1 进入集搜客官网产品页面，下载对应版本。
我的电脑上已经安装了Firefox 38，所以这里只需下载爬虫。

2.2 安装爬虫
打开Firefox –> 点击菜单工具 –> 附加组件 –> 点击右上角附加组件的工具 –> 选择从文件安装附加组件 -> 选中下载好的爬虫xpi文件 –> 立即安装

下一步

下一步

3. 开始制作抓取规则

3.1 运行规则定义软件：点击浏览器菜单：工具-> MS谋数台 弹出MS谋数台窗口

3.2 在网址栏输入我们要采集的网站链接，然后回车。当页面加载完成后，在工作台页面依次操作：命名主题名 -> 创建规则 -> 新建整理箱 -> 在浏览器菜单选择抓取内容，命名后保存

4. 申请规则提取器API KEY

4.1 打开集搜客Gooseeke官网，注册登陆后进入会员中心 ->  API -> 申请API

5. 结合提取器API敲一个爬虫程序

5.1 引入Gooseeker规则提取器模块gooseeker.py(下载地址: https://github.com/FullerHua/gooseeker/tree/master/core), 选择一个存放目录，这里为E:\demo\gooseeker.py

5.2 与gooseeker.py同级创建一个.py后缀文件，如这里为E:\Demo\third.py，再以记事本打开，敲入代码:
注释：代码中的31d24931e043e2d5364d03b8ff9cc77e 就是API KEY，用你申请的代替；amazon_book_pc 是规则的主题名，也用你的主题名代替

1. # -*- coding: utf-8 -*-
   
2. # 使用GsExtractor类的示例程序
   
3. # 以webdriver驱动Firefox采集亚马逊商品列表
   
4. # xslt保存在xslt_bbs.xml中
   
5. # 采集结果保存在third文件夹中
   
6. import os
   
7. import time
   
8. from lxml import etree
   
9. from selenium import webdriver
   
10. from gooseeker import GsExtractor
    
11. 
    
12. # 引用提取器
    
13. bbsExtra = GsExtractor()   
    
14. bbsExtra.setXsltFromAPI("31d24931e043e2d5364d03b8ff9cc77e", "amazon_book_pc") # 设置xslt抓取规则
    
15. 
    
16. # 创建存储结果的目录
    
17. current_path = os.getcwd()
    
18. res_path = current_path + "/third-result"
    
19. if os.path.exists(res_path):
    
20.     pass
    
21. else:
    
22.     os.mkdir(res_path)
    
23. 
    
24. # 驱动火狐
    
25. driver = webdriver.Firefox()
    
26. 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"
    
27. driver.get(url)
    
28. time.sleep(2)
    
29. 
    
30. # 获取总页码
    
31. total_page = driver.find_element_by_xpath("//*[@class='pagnDisabled']").text
    
32. total_page = int(total_page) + 1
    
33. 
    
34. # 用简单循环加载下一页链接（也可以定位到下一页按钮，循环点击）
    
35. for page in range(1,total_page):
    
36.     # 获取网页内容
    
37.     content = driver.page_source.encode('utf-8')
    
38.    
    
39.     # 获取docment
    
40.     doc = etree.HTML(content)
    
41.     # 调用extract方法提取所需内容
    
42.     result = bbsExtra.extract(doc)
    
43.    
    
44.     # 保存结果
    
45.     file_path = res_path + "/page-" + str(page) + ".xml"
    
46.     open(file_path,"wb").write(result)
    
47.     print('第' + str(page) + '页采集完毕，文件:' + file_path)
    
48.    
    
49.     # 加载下一页
    
50.     if page < total_page - 1:
    
51.         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"
    
52.         driver.get(url)
    
53.         time.sleep(2)
    
54. print("~~~采集完成~~~")
    
55. driver.quit()

复制代码

5.3 执行third.py，打开命令提示窗口，进入third.py文件所在目录，输入命令 :python third.py 回车

5.4 查看结果文件,进入third.py文件所在目录，找到名称为result-2的文件夹然后打开

6. 总结

制作规则时，由于定位选择的是偏好id，而采集网址的第二页对应页面元素的id属性有变化，所以第二页内容提取出现了问题，然后对照了一下网页元素发现class是一样的，果断将定位改为了偏好class，这下提取就正常了。下一篇《在Python3.5下安装和测试Scrapy爬网站》简单介绍Scrapy的使用方法。

7. 集搜客GooSeeker开源代码下载源

• GooSeeker开源Python网络爬虫GitHub源
  

奇怪，为什么只有第一个案例first.py可以用,second.py/third.py采集下来都是空白的？是不是api过期了，但是用我自己的api也是失败的。

可能是api过期了, 我们检查一下

wenk1107 发表于 2017-3-13 19:30
奇怪，为什么只有第一个案例first.py可以用,second.py/third.py采集下来都是空白的？是不是api过期了，但是 ...

用自己的api, 需要先在MS谋数台里创建并保存规则.
你是怎么使用的?

恩,用gooseeker成功创建规则,并且采集到了数据.但是申请api后，用这个python代码采集数据为空,是不是要安装Scrapy,安装scrapy的时候提示unable to find vcvarsall.bat，又是如何解决呢？

Scrapy的安装可以参考这篇文章 《在Python3.5下安装和测试Scrapy爬网站》