快速製作規則及獲取規則提取器API
1. 引言
前面文章的測試案例都用到了集搜客Gooseeker提供的規則提取器，在網頁抓取工作中，調試正則表達式或者XPath都是特別繁瑣的，耗時耗力，工作枯燥，如果有一個工具可以快速生成規則，而且可以可視化的即時驗證，就能把程序員解放出來，投入到創造性工作中。
之前文章所用的例子中的規則都是固定的，如何自定義規則再結合提取器提取我們想要的網頁內容呢？對於程序員來說，理想的目標是掌握一個通用的爬蟲框架，每增加一個新目標網站就要跟著改代碼，這顯然不是好工作模式。這就是本篇文章的主要內容了，本文使用一個案例說明怎樣將新定義的採集規則融入到爬蟲框架中。也就是用可視化的集搜客GooSeeker爬蟲軟體針對亞馬遜圖書商品頁做一個採集規則，並結合規則提取器抓取網頁內容。
2. 安裝集搜客GooSeeker爬蟲軟體
2.1. 前期準備
進入集搜客官網產品頁面，下載對應版本。我的電腦上已經安裝了Firefox 38，所以這裡只需下載爬蟲。
2.2 安裝爬蟲
打開Firefox –> 點擊菜單工具 –> 附加組件 –> 點擊右上角附加組件的工具 –> 選擇從文件安裝附加組件 -> 選中下載好的爬蟲xpi文件 –> 立即安裝
下一步
下一步
3. 開始製作抓取規則
3.1 運行規則定義軟體
點擊瀏覽器菜單：工具-> MS謀數台 彈出MS謀數台窗口。
3.2 做規則
在網址欄輸入我們要採集的網站鏈接，然後回車。當頁面載入完成後，在工作台頁面依次操作：命名主題名 -> 創建規則 -> 新建整理箱 -> 在瀏覽器菜單選擇抓取內容，命名後保存。
4. 申請規則提取器API KEY
打開集搜客Gooseeke官網，註冊登陸後進入會員中心 -> API -> 申請API
5. 結合提取器API敲一個爬蟲程序
5.1 引入Gooseeker規則提取器模塊gooseeker.py
(下載地址: gooseeker/core at master · FullerHua/gooseeker · GitHub), 選擇一個存放目錄，這裡為E:demogooseeker.py
5.2 與gooseeker.py同級創建一個.py後綴文件
如這裡為E:Demothird.py，再以記事本打開，敲入代碼:
注釋：代碼中的31d24931e043e2d5364d03b8ff9cc77e 就是API KEY，用你申請的代替；amazon_book_pc 是規則的主題名，也用你的主題名代替
# -*- coding: utf-8 -*-n# 使用GsExtractor類的示常式序n# 以webdriver驅動Firefox採集亞馬遜商品列表n# xslt保存在xslt_bbs.xml中n# 採集結果保存在third文件夾中nimport osnimport timenfrom lxml import etreenfrom selenium import webdrivernfrom gooseeker import GsExtractornn# 引用提取器nbbsExtra = GsExtractor() nbbsExtra.setXsltFromAPI("31d24931e043e2d5364d03b8ff9cc77e", "amazon_book_pc") # 設置xslt抓取規則nn# 創建存儲結果的目錄ncurrent_path = os.getcwd()nres_path = current_path + "/third-result"nif os.path.exists(res_path):n passnelse:n os.mkdir(res_path)nn# 驅動火狐ndriver = webdriver.Firefox()nurl = "https://www.amazon.cn/s/ref=sr_pg_1?rh=n%3A658390051%2Cn%3A!658391051%2Cn%3A658414051%2Cn%3A658810051&page=1&ie=UTF8&qid=1476258544"ndriver.get(url)ntime.sleep(2)nn# 獲取總頁碼ntotal_page = driver.find_element_by_xpath("//*[@class=pagnDisabled]").textntotal_page = int(total_page) + 1nn# 用簡單循環載入下一頁鏈接（也可以定位到下一頁按鈕，循環點擊）nfor page in range(1,total_page):n # 獲取網頁內容n content = driver.page_source.encode(utf-8)n n # 獲取docmentn doc = etree.HTML(content)n # 調用extract方法提取所需內容n result = bbsExtra.extract(doc)n n # 保存結果n file_path = res_path + "/page-" + str(page) + ".xml"n open(file_path,"wb").write(result)n print(第 + str(page) + 頁採集完畢，文件: + file_path)n n # 載入下一頁n if page < total_page - 1:n url = "https://www.amazon.cn/s/ref=sr_pg_" + str(page + 1) + "?rh=n%3A658390051%2Cn%3A!658391051%2Cn%3A658414051%2Cn%3A658810051&page=" + str(page + 1) + "&ie=UTF8&qid=1476258544"n driver.get(url)n time.sleep(2)nprint("~~~採集完成~~~")ndriver.quit()n
5.3 執行third.py
打開命令提示窗口，進入third.py文件所在目錄，輸入命令 :python third.py 回車
5.4 查看結果文件
進入third.py文件所在目錄，找到名稱為result-2的文件夾然後打開
6. 總結
製作規則時，由於定位選擇的是偏好id，而採集網址的第二頁對應頁面元素的id屬性有變化，所以第二頁內容提取出現了問題，然後對照了一下網頁元素髮現class是一樣的，果斷將定位改為了偏好class，這下提取就正常了。下一篇《Scrapy框架的安裝和使用》簡單介紹Scrapy的使用方法。
7. 集搜客GooSeeker開源代碼下載源
GooSeeker開源Python網路爬蟲GitHub源
推薦閱讀：