解决方案:Python使用xslt提取网页数据

　　解决方案:Python使用xslt提取网页数据

　　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、抓取目标

　　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。xslt 脚本占用了很大的空间。在这段代码中，只是一个长字符串。至于为什么选择 xslt 而不是离散的 xpath 或令人头疼的正则表达式，请参考《Python Instant Web Crawler Project Startup Instructions》。我们期望使用这种架构可以将程序员的时间节省一半以上。

　　可以复制运行以下代码（windows10下测试，python3.2通过）：

　　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("""\

<p>

""")

transform = etree.XSLT(xslt_root)

result_tree = transform(doc)

print(result_tree)</p>

　　源码可以从文末的 GitHub 源码下载。

　　2.3、抓取结果

　　得到的爬取结果如下：

　　2.4、源码2：翻页取取，结果存入文件

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

　　from urllib import request

from lxml import etree

import time

xslt_root = etree.XML("""\

<p>

""")

baseurl="http://www.gooseeker.com/cn/forum/7"

basefilebegin="jsk_bbs_"

basefileend=".xml"

count=1

while (count