Python使用xslt提取网页数据

共计 506 个字符，预计需要花费 2 分钟才能阅读完成。

在 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。