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，投入到更高端的数据处理工作中。

这个项目推出以后受到很大关注，因为开放源码，大家可以在现成源码基础上进一步开发。然而，Python3和Python2是有区别的，《Python即时网络爬虫项目: 内容提取器的定义》 一文的源码无法在Python2.7下使用，本文将发布一个Python2.7的内容提取器。

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python2.7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Python2.7)

1. #!/usr/bin/python
   
2. # -*- coding: utf-8 -*-
   
3. # 模块名: gooseeker_py2
   
4. # 类名: GsExtractor
   
5. # Version: 2.0
   
6. # 适配Python版本: 2.7
   
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_py2.py
    
11. 
    
12. from urllib2 import urlopen
    
13. from urllib 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')
    
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 = 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类提取豆瓣讨论组话题。本示例有如下特征：

• 提取器的内容通过GooSeeker平台上的api获得
• 保存结果文件到当前文件夹
  
  

下面是源代码，都可从 github 下载

1. # _*_coding:utf8_*_
   
2. # douban_py2.py
   
3. # 爬取豆瓣小组讨论话题
   
4. # Python版本: 2.7
   
5. 
   
6. from lxml import etree
   
7. from gooseeker_py2 import GsExtractor
   
8. from selenium import webdriver
   
9. import time
   
10. 
    
11. class PhantomSpider:
    
12.     def getContent(self, url):
    
13.         browser = webdriver.PhantomJS(executable_path='C:\\phantomjs-2.1.1-windows\\bin\\phantomjs.exe')
    
14.         browser.get(url)
    
15.         time.sleep(3)
    
16.         html = browser.execute_script("return document.documentElement.outerHTML")
    
17.         output = etree.HTML(html)
    
18.         return output
    
19. 
    
20.     def saveContent(self, filepath, content):
    
21.         file_obj = open(filepath, 'w')
    
22.         file_obj.write(content)
    
23.         file_obj.close()
    
24. 
    
25. doubanExtra = GsExtractor()   
    
26. # 下面这句调用gooseeker的api来设置xslt抓取规则
    
27. # 第一个参数是app key，请到GooSeeker会员中心申请
    
28. # 第二个参数是规则名，是通过GooSeeker的图形化工具: 谋数台MS 来生成的
    
29. doubanExtra.setXsltFromAPI("ffd5273e213036d812ea298922e2627b" , "豆瓣小组讨论话题")  
    
30. 
    
31. url = "https://www.douban.com/group/haixiuzu/discussion?start="
    
32. totalpages = 5
    
33. doubanSpider = PhantomSpider()
    
34. print("爬取开始")
    
35. 
    
36. for pagenumber in range(1 , totalpages):
    
37.     currenturl = url + str((pagenumber-1)*25)
    
38.     print("正在爬取", currenturl)
    
39.     content = doubanSpider.getContent(currenturl)
    
40.     outputxml = doubanExtra.extract(content)
    
41.     outputfile = "result" + str(pagenumber) +".xml"
    
42.     doubanSpider.saveContent(outputfile , str(outputxml))
    
43. 
    
44. print("爬取结束")

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
2016-08-03：V1.0，Python2.7下的内容提取器类首次发布