python网络爬虫的项目背景_第四章 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
python源代码文件及其说明文档请从 github 下载
#!/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: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
#-*_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())
bbsExtra = gsExtractor() # 生成xsltExtractor对象
bbsExtra.setXsltFromFile("xslt_bbs.xml") # 调用set方法设置xslt内容
result = bbsExtra.extract(doc) # 调用extract方法提取所需内容
print(str(result))
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
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”
python网络爬虫的项目背景_第四章 Python即时网络爬虫项目: 内容提取器的定义相关推荐
- Python即时网络爬虫项目: 内容提取器的定义(Python2.7版本)
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太多了(见上图),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 ...
- python爬虫程序的流程图_Python即时网络爬虫项目: 内容提取器的定义(Python2.7版本)...
###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太多了(见上图),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 ...
- python中的序列类型数据结构元素的切片_第四章 Python字符串以及(split,rsplit,replace,strip.....)...
创建 s1 = 'lenovo' s2 = "QF" s3 = """hello lenovo""" s4 = '''h ...
- python语言流程控制语句的格式_第四节 Python控制语句
编程语言中的 if.for.while等流程控制语句,用来决定程序按照什么方式去执行. if语句格式 if 判断条件: 执行语句... else: 执行语句... 如果"判断条件" ...
- 《网络是怎样连接的》第四章 接入网,网络运营商
4.1 ADSL接入网的结构和工作方式 4.1.1 互联网基本结构和家庭,公司网络相同 和家庭,公司网络一样,互联网也是通过路由器来转发包的,可以将互联网理解成家庭,公司网络的一个放大版 互联网也有和 ...
- 黑帽python第二版(Black Hat Python 2nd Edition)读书笔记 之 第四章 使用SCAPY掌控网络(2)Scapy实现ARP缓存投毒
黑帽python第二版(Black Hat Python 2nd Edition)读书笔记 之 第四章 使用SCAPY掌控网络(2)Scapy实现ARP缓存投毒 文章目录 黑帽python第二版(Bl ...
- 【Python自然语言处理】读书笔记:第四章:编写结构化程序
4 编写结构化程序 4.1 回到基础 1.赋值: 列表赋值是"引用",改变其中一个,其他都会改变 foo = ["1", "2"] bar ...
- 《利用Python进行数据分析·第2版》第13章 Python建模库介绍
第1章 准备工作 第2章 Python语法基础,IPython和Jupyter 第3章 Python的数据结构.函数和文件 第4章 NumPy基础:数组和矢量计算 第5章 pandas入门 第6章 数 ...
- .NET Core实战项目之CMS 第十三章 开发篇-在MVC项目结构介绍及应用第三方UI
作为后端开发的我来说,前端表示真心玩不转,你如果让我微调一个位置的样式的话还行,但是让我写一个很漂亮的后台的话,真心做不到,所以我一般会选择套用一些开源UI模板来进行系统UI的设计.那如何套用呢?今天 ...
最新文章
- postgresSQL 实现数据修改后,自动更新updated_date/ts等字段
- python语言用途-python编程语言有什么用途
- 求两个字符串的最长公共字串(连续)
- 循环结构_for循环
- 数据科学 IPython 笔记本 7.15 高性能 Pandas
- Java安全的发布对象
- 一种非常好用的图像处理软件
- Thrift 个人实战--Thrift RPC服务框架日志的优化
- 吐槽最新的chrome浏览器.
- 数据分析:OLS回归分析
- 天津大学计算机学院考研复试名单,天津大学各学院2019考研复试办法及复试名单...
- USB中的端点详细了解
- CPU 缓存如何影响你的 Go 程序性能
- android水印控件,Android图片添加文字水印并保存水印文字图片到指定文件
- 用图灵机器人2.0实现聊天机器人
- 建模simulink - xpc自定义模块
- 【蓝桥杯每日一练:木头加工】
- 2023佛山市入户新政细则详解
- java随机数代码解析,实例解析常用的java随机数生成办法
- 230213-MacOS上点击iCloud云朵图案后无法下载
热门文章
- 微信小程序Android和ios授权,uni-app之APP和小程序微信授权方法
- java 二维变长数组_java二维数组如何指定不同长度
- 震惊全网!当美女(类)照镜子竟然...
- 电缆绝缘耐压会受到哪些因素的影响?
- 手把手教你利用Python爬虫采集二次元美女壁纸
- 我的世界服务器自动攻击外挂,我的世界自动攻击怎么开?打开之后你将会所向无敌...
- 基于直流电机MATLABGUI设计
- notepad++如何连接虚拟机
- 转置矩阵的循环实现 C++实现
- Linux上快速搭建自己的深度学习虚拟环境