Python即时网络爬虫项目: 内容提取器的定义(Python2.7版本)

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太多了（见上图），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。

这个项目推出以后受到很大关注，因为开放源码，大家可以在现成源码基础上进一步开发。然而，Python3和Python2是有区别的，《Python即时网络爬虫项目: 内容提取器的定义》 一文的源码无法在Python2.7下使用，本文将发布一个Python2.7的内容提取器。

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
       适用python2.7的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(适用于Python2.7)

4. 用法示例

下面是一个示例程序，演示怎样使用GsExtractor类提取豆瓣讨论组话题。本示例有如下特征：

• 提取器的内容通过GooSeeker平台上的api获得
• 保存结果文件到当前文件夹

下面是源代码，都可从 github 下载

提取结果如下图所示：

5. 接下来阅读

本文已经说明了提取器的价值和用法，但是没有说怎样生成它，只有快速生成提取器才能达到节省开发者时间的目的，这个问题将在其他文章讲解，请看《1分钟快速生成用于网页内容提取的xslt模板》

6. 集搜客GooSeeker开源代码下载源

1. GooSeeker开源Python网络爬虫GitHub源

7. 文档修改历史
2016-08-05：V1.0，Python2.7下的内容提取器类首次发布