Python使用xslt提取网页数据

2016-11-22 16:01 997 0

摘要: 1，引言在Python网络爬虫内容提取器一文我们详细讲解了核心部件：可插拔的内容提取器类gsExtractor。本文记录了确定gsExtractor的技术路线过程中所做的编程实验。这是第一部分，实验了用xslt方式一次性提取静态网页 ...

1，引言

在Python网络爬虫内容提取器一文我们详细讲解了核心部件：可插拔的内容提取器类gsExtractor。本文记录了确定gsExtractor的技术路线过程中所做的编程实验。这是第一部分，实验了用xslt方式一次性提取静态网页内容并转换成xml格式。

2，用lxml库实现网页内容提取

lxml是python的一个库，可以迅速、灵活地处理 XML。它支持 XML Path Language (XPath) 和 Extensible Stylesheet Language Transformation (XSLT)，并且实现了常见的 ElementTree API。

这2天测试了在python中通过xslt来提取网页内容，记录如下：
2.1，抓取目标
假设要提取集搜客官网旧版论坛的帖子标题和回复数，如下图，要把整个列表提取出来，存成xml格式

2.2，源代码1：只抓当前页，结果显示在控制台

Python的优势是用很少量代码就能解决一个问题，请注意下面的代码看起来很长，其实python函数调用没有几个，大篇幅被一个xslt脚本占去了，在这段代码中，只是一个好长的字符串而已，至于为什么选择xslt，而不是离散的xpath或者让人挠头的正则表达式，请参看Python即时网络爬虫项目启动说明，我们期望通过这个架构，把程序员的时间节省下来一大半。

可以拷贝运行下面的代码(在windows10， python3.2下测试通过)：

from urllib import requestfrom lxml import etreeurl="http://www.gooseeker.com/cn/forum/7"conn = request.urlopen(url)doc = etree.HTML(conn.read())xslt_root = etree.XML("""\<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform" ><xsl:template match="/"><列表><xsl:apply-templates select="//*[@id='forum' and count(./table/tbody/tr[position()>=1 and count(.//*[@class='topic']/a/text())>0])>0]" mode="列表"/></列表></xsl:template><xsl:template match="table/tbody/tr[position()>=1]" mode="list"><item><标题><xsl:value-of select="*//*[@class='topic']/a/text()"/><xsl:value-of select="*[@class='topic']/a/text()"/><xsl:if test="@class='topic'"><xsl:value-of select="a/text()"/></xsl:if></标题><回复数><xsl:value-of select="*//*[@class='replies']/text()"/><xsl:value-of select="*[@class='replies']/text()"/><xsl:if test="@class='replies'"><xsl:value-of select="text()"/></xsl:if></回复数></item></xsl:template><xsl:template match="//*[@id='forum' and count(./table/tbody/tr[position()>=1 and count(.//*[@class='topic']/a/text())>0])>0]" mode="列表"><item><list><xsl:apply-templates select="table/tbody/tr[position()>=1]" mode="list"/></list></item></xsl:template></xsl:stylesheet>""")transform = etree.XSLT(xslt_root)result_tree = transform(doc)print(result_tree)

源代码下载地址请见文章末尾的GitHub源。

2.3，抓取结果得到的抓取结果如下图：

2.4，源代码2：翻页抓取，结果存入文件我们对2.2的代码再做进一步修改，增加翻页抓取和存结果文件功能，代码如下：

from urllib import requestfrom lxml import etreeimport timexslt_root = etree.XML("""\<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform" ><xsl:template match="/"><列表><xsl:apply-templates select="//*[@id='forum' and count(./table/tbody/tr[position()>=1 and count(.//*[@class='topic']/a/text())>0])>0]" mode="列表"/></列表></xsl:template><xsl:template match="table/tbody/tr[position()>=1]" mode="list"><item><标题><xsl:value-of select="*//*[@class='topic']/a/text()"/><xsl:value-of select="*[@class='topic']/a/text()"/><xsl:if test="@class='topic'"><xsl:value-of select="a/text()"/></xsl:if></标题><回复数><xsl:value-of select="*//*[@class='replies']/text()"/><xsl:value-of select="*[@class='replies']/text()"/><xsl:if test="@class='replies'"><xsl:value-of select="text()"/></xsl:if></回复数></item></xsl:template><xsl:template match="//*[@id='forum' and count(./table/tbody/tr[position()>=1 and count(.//*[@class='topic']/a/text())>0])>0]" mode="列表"><item><list><xsl:apply-templates select="table/tbody/tr[position()>=1]" mode="list"/></list></item></xsl:template></xsl:stylesheet>""")baseurl = "http://www.gooseeker.com/cn/forum/7"basefilebegin = "jsk_bbs_"basefileend = ".xml"count = 1while (count < 12):
url = baseurl + "?page=" + str(count)
conn = request.urlopen(url)
doc = etree.HTML(conn.read())
transform = etree.XSLT(xslt_root)
result_tree = transform(doc)
print(str(result_tree))
file_obj = open(basefilebegin+str(count)+basefileend,'w',encoding='UTF-8')
file_obj.write(str(result_tree))
file_obj.close()
count += 1
time.sleep(2)

我们增加了写文件的代码，还增加了一个循环，构造每个翻页的网址，但是，如果翻页过程中网址总是不变怎么办？其实这就是动态网页内容，下面会讨论这个问题。
3，总结

这是开源Python通用爬虫项目的验证过程，在一个爬虫框架里面，其它部分都容易做成通用的，就是网页内容提取和转换成结构化的操作难于通用，我们称之为提取器。但是，借助GooSeeker可视化提取规则生成器MS谋数台，提取器的生成过程将变得很便捷，而且可以标准化插入，从而实现通用爬虫，在后续的文章中会专门讲解MS谋数台与Python配合的具体方法。

声明：文章版权归原作者所有部分文章转自互联网如有侵权请联系 [邮箱地址] 删除