python网络爬虫内容提取器一文我们详细了解了核心部件:可插拔的内容提取器gsExtractor。本文记录了确定gsExtractor的技术路线过程中所做的编程实验。这是第一部分,实验了xslt方式一次性提取静态网页内容并转换成xml格式。
用lxml库实现网页内容提取
Lxml是python的一个库,可以迅速,灵活地处理XML Path Language(XPath)和Extensible Stylesheet Language Transformation (XSLT),并且实现了常见的ElementTree API.
这2天测试了在python中通过xslt来提取网页内容,记录如下:
1.抓取目标
假设要提取论坛的帖子标题和回复数,要把整个列表提取出来,存成xml格式
2.源代码1:只抓当前页,结果显示在控制台
Python的又是是用很少两代码就能解决一个问题,请注意下面的买吗看起来很长,其实python函数调用没有几个,大篇幅被一个xslt脚本占去了,在这段代码中,只有一个好长的字符串而已,至于为什么选择xslt,而不是离散的xpath或者让人挠头的正则表达式,我们期望通过这个构架,把程序员的时间节省下来一大半。

本文固定链接:

Python使用xslt提取网页数据

http://www.js-code.com/python/python_48935.html

80%的人都看过