vba 网页数据抓取(Python网络爬虫内容提取器一文项目启动说明(一))

　　vba 网页数据抓取(Python网络爬虫内容提取器一文项目启动说明(一))

　　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，尝试使用xslt方法提取静态网页内容并一次性转换为xml格式。

　　2、使用lxml库提取网页内容

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

　　这2天，我在python中测试了通过xslt提取网页内容，记录如下：

　　2.1、抓住目标

　　假设要提取jisoke官网老论坛的帖子标题和回复数，如下图，需要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，结果显示在控制台

　　Python的优势在于它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函数调用的并不多，一个xslt脚本占用了大量的空间。在这段代码中，只有它只是一个长字符串。至于为什么选择 xslt 而不是离散的 xpath 或者令人头疼的正则表达式，请参考《Python Instant Web Crawler Project Startup Instructions》，我们希望通过这种架构，程序员的时间节省一半以上。

　　可以复制并运行以下代码（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)

　　源码可以从文末的 GitHub 源码下载。

　　2.3、获取结果

　　得到的爬取结果如下：

　　2.4、源码2：翻转取，并将结果保存到文件

　　我们对2.2的代码进行了进一步的修改，增加了翻页功能来获取和保存结果文件。代码如下：

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 < 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,&#39;w&#39;,encoding=&#39;UTF-8&#39;)

file_obj.write(str(result_tree))

file_obj.close()

count += 1

time.sleep(2)

　　我们添加了编写文件的代码，还添加了一个循环来构造每次翻页的URL，但是如果在翻页过程中URL始终相同怎么办？实际上，这是动态的网页内容，下面将进行讨论。

　　3、总结

　　这是开源Python通用爬虫项目的验证过程。在爬虫框架中，其他部分很容易通用化，也就是很难将网页内容提取并转化为结构化操作，我们称之为提取器。但是在GooSeeker的可视化抽取规则*敏*感*词*MS的帮助下，抽取器的生成过程会变得非常方便，并且插入可以标准化，从而实现一个万能爬虫。后续文章会专门讲解MS。平台配合Python的具体方法。

　　4、继续阅读

　　本文介绍的方法通常用于爬取静态网页内容，也就是所谓的html文档的内容。目前很多网站内容都是通过javascript动态生成的。一开始html是没有这个内容的，通过后会加载。如果添加了方法，那么需要用到动态技术，请阅读《Python爬虫使用Selenium+PhantomJS爬取Ajax和动态HTML内容》

　　5、Jisooke GooSeeker开源代码下载源码

　　1.GooSeeker开源Python网络爬虫GitHub源码

　　6、文档修改历史

　　2016-05-26：V2.0，增加文字说明；添加了线程的代码

　　2016-05-29：V2.1、添加最后一章源码下载源码

　　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ASPKU源码库。

　　注：相关教程知识请移步python教程频道。