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

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

 

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

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《Python使用xslt提取网页数据》。

 

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

2016-05-27：V2.0，增补项目背景介绍和价值说明
2016-05-27：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”