Python爬虫实战（1）：爬取Drupal论坛帖子列表

chhy

来源：http://gooseeker.blog.51cto.com/11579528/1786562
作者：fullerhua
1，引言
在《Python即时网络爬虫项目: 内容提取器的定义》一文我们定义了一个通用的python网络爬虫类，期望通过这个项目节省程序员一半以上的时间。本文将用一个实例讲解怎样使用这个爬虫类。我们将爬集搜客老版论坛，是一个用Drupal做的论坛。

2，技术要点
我们在多个文章都在说：节省程序员的时间。关键是省去编写提取规则的时间，尤其是调试规则的正确性很花时间。在《1分钟快速生成用于网页内容提取的xslt》演示了怎样快速生成提取规则，接下来我们再通过GooSeeker的api接口实时获得提取规则，对网页进行抓取。本示例主要有如下两个技术要点：

• 通过GooSeeker API实时获取用于页面提取的xslt
  
• 使用GooSeeker提取器gsExtractor从网页上一次提取多个字段内容。
  
  

3，python源代码

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

# _*_coding:utf8_*_ # crawler_gooseeker_bbs.py # 版本: V1.0 from urllib import request from lxml import etree from gooseeker import gsExtractor # 访问并读取网页内容 url = "http://www.gooseeker.com/cn/forum/7" conn = request.urlopen(url) doc = etree.HTML(conn.read()) bbsExtra = gsExtractor()    bbsExtra.setXsltFromAPI("98adf83ksdf0slrwaerwersdkfjsa" , "gooseeker_bbs_xslt")   # 设置xslt抓取规则，第一个参数是app key，请到会员中心申请 result = bbsExtra.extract(doc)   # 调用extract方法提取所需内容 print(str(result))

源代码下载位置请看文章末尾的GitHub源。

4，抓取结果
运行上节的代码，即可在控制台打印出提取结果，是一个xml文件，如果加上换行缩进，内容如下图：



5，相关文档
1， Python即时网络爬虫项目: 内容提取器的定义

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

1，2016-06-06：V1.0
2，2016-06-06：V2.0
3，2016-06-06：V2.1，增加GitHub下载源