位置: 编程技术 - 正文
Python网络爬虫项目：内容提取器的定义(python网络爬虫项目步骤)
编辑：rootadmin推荐整理分享Python网络爬虫项目：内容提取器的定义(python网络爬虫项目步骤)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:python3.7网络爬虫快速入门,python网络爬虫视频教程,python网络爬虫项目步骤,python网络爬虫程序,python网络爬虫程序,python网络爬虫项目步骤,Python网络爬虫项目,python网络爬虫项目报告总结与体会,内容如对您有帮助，希望把文章链接给更多的朋友！
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
4. 用法示例下面是一个示例程序，演示怎样使用gsExtractor类提取GooSeeker官网的bbs帖子列表。本示例有如下特征
提取器所用的xslt模板提前放在文件中：xslt_bbs.xml 仅作为示例，实际使用场景中，xslt来源有多个，最主流的来源是GooSeeker平台上的api 在控制台界面上打印出提取结果下面是源代码，都可从 github 下载
提取结果如下图所示：
上一篇：Python实现ssh批量登录并执行命令(批量ssh登录)
下一篇：Python控制多进程与多线程并发数总结(python多进程数量限制)