网页源代码抓取工具(Python使用xslt提取网页数据的方法-Python即时网络爬虫)

　　网页源代码抓取工具(Python使用xslt提取网页数据的方法-Python即时网络爬虫)

　　本文文章主要详细介绍Python使用xslt提取网页数据的方法。有一定的参考价值，感兴趣的朋友可以参考。

　　1、简介

　　在Python网络爬虫内容提取器一文中，我们详细讲解了核心组件：可插拔内容提取器类gsExtractor。本文记录了在确定gsExtractor技术路线过程中所做的编程实验。这是第一部分。使用xslt一次性提取静态网页内容并将其转换为xml格式的实验。

　　2、使用lxml库提取网页内容

　　lxml是python的一个可以快速灵活处理XML的库。它支持 XML 路径语言 (XPath) 和可扩展样式表语言转换 (XSLT)，并实现了通用的 ElementTree API。

　　这两天在python中测试了通过xslt提取网页内容，记录如下：

　　2.1、 抓取目标

　　假设你想在吉首官网提取旧版论坛的帖子标题和回复数，如下图，提取整个列表并保存为xml格式

　　2.2、 源码1：只抓取当前页面，结果会在控制台显示

　　Python的优点是可以用少量的代码解决一个问题。请注意，以下代码看起来很长。其实python函数调用并不多。大空间由 xslt 脚本占用。在这段代码中， just 只是一个长字符串。至于为什么选择 xslt 而不是离散的 xpath 或者抓正则表达式，请参考《Python Instant Web Crawler 项目启动说明》。我们希望通过这种架构，可以节省程序员的时间。节省一半以上。

　　可以复制运行如下代码（windows10下测试，python3.2）：

　　 from urllib import request from lxml import etree url="http://www.gooseeker.com/cn/forum/7" conn = request.urlopen(url) doc = etree.HTML(conn.read()) xslt_root = etree.XML("""\ """) transform = etree.XSLT(xslt_root) result_tree = transform(doc) print(result_tree)

　　源代码可以从本文末尾的GitHub源下载。

　　2.3、 抓取结果

　　捕获的结果如下：

　　2.4、 源码2：翻页抓取，并将结果保存到文件

　　我们对2.2的代码做了进一步的修改，增加了翻页、抓取和保存结果文件的功能，代码如下：

<p> from urllib import request from lxml import etree import time xslt_root = etree.XML("""\ """) baseurl = "http://www.gooseeker.com/cn/forum/7" basefilebegin = "jsk_bbs_" basefileend = ".xml" count = 1 while (count