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
#!/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:///cn/forum/7"conn = request.urlopen(url)doc = etree.HTML(conn.read())# 生成xsltExtractor对象bbsExtra = gsExtractor()# 调用set方法设置xslt内容bbsExtra.setXsltFromFile("xslt_bbs.xml")# 调用extract方法提取所需内容result = bbsExtra.extract(doc)# 显示提取结果print(str(result))
提取结果如下图所示：
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。
最新文章
热门文章
猜你喜欢
