Question

我已经通过Scrapy从很多网站抓取了很多htmls（内容相似），而dom结构则不同。

例如，其中一个站点使用以下结构：

<div class="post">
    <section class='content'>
        Content1
    </section>

    <section class="panel">
    </section>
</div>
<div class="post">
    <section class='content'>
        Conent2
    </section>

    <section class="panel">
    </section>
</div>

我想提取数据Content和Content2。

虽然另一个网站可能使用这样的结构：

<article class="entry">
    <section class='title'>
        Content3
    </section>
</article>
<article class="entry">
    <section class='title'>
        Conent4
    </section>
</article>

我想提取数据Content3和Content4。

虽然最简单的解决方案是为所有站点逐个标记所需的数据xpath。那将是一项繁琐的工作。

所以我想知道结构是否可以自动提取。实际上，我只需要找到重复的根节点（上例中的div.post和article.entry），然后我可以用一些特定的规则提取数据。

这可能吗？

顺便说一句，我不太确定这种算法的名称，所以这篇文章的标签可能是错的，如果是真的，可以随意修改。

Answer 1

您必须至少知道一些能够制定确定性提取规则的常见模式。下面的解决方案非常原始，绝不是最佳解决方案，但它可能对您有所帮助：

# -*- coding: utf-8 -*-
import re

import bs4
from bs4 import element
import scrapy


class ExampleSpider(scrapy.Spider):
    name = "example"
    start_urls = ['http://quotes.toscrape.com/']

    def parse(self, response):
        min_occurs = 5
        max_occurs = 1000
        min_depth = 7
        max_depth = 7
        pattern = re.compile('^/html/body/.*/(span|div)$')
        extract_content = lambda e: e.css('::text').extract_first()
        #extract_content = lambda e: ' '.join(e.css('*::text').extract())

        doc = bs4.BeautifulSoup(response.body, 'html.parser')

        paths = {}
        self._walk(doc, '', paths)
        paths = self._filter(paths, pattern, min_depth, max_depth,
                             min_occurs, max_occurs)

        for path in paths.keys():
            for e in response.xpath(path):
                yield {'content': extract_content(e)}

    def _walk(self, doc, parent, paths):
        for tag in doc.children:
            if isinstance(tag, element.Tag):
                path = parent + '/' + tag.name
                paths[path] = paths.get(path, 0) + 1
                self._walk(tag, path, paths)

    def _filter(self, paths, pattern, min_depth, max_depth, min_occurs, max_occurs):
        return dict((path, count) for path, count in paths.items()
                        if pattern.match(path) and
                                min_depth <= path.count('/') <= max_depth and
                                min_occurs <= count <= max_occurs)

它的工作原理如下：

浏览HTML文档并构建文档中所有元素路径的字典及其出现位置。
根据您从网页推断的一般规则过滤这些路径。
使用一些常见的提取逻辑从这些过滤后的路径中提取内容。

为了构建路径字典，我只需使用BeautifulSoup遍历文档并计算每个元素路径的出现次数。这可以在以后用于过滤任务，以便仅保留最多的路径。

接下来，我根据一些基本规则过滤出路径。要保留路径，必须：

至少发生min_occurs次，最多发生max_occurs次。
长度至少为min_depth且最多为max_depth。
匹配pattern。

其他规则可以类似的方式添加。

最后一部分循环遍历过滤后离开的路径，并使用extract_content定义的一些常用逻辑从元素中提取内容。

如果您的网页相当简单并且可以推断出这些规则，那么它可能会有效。否则，你必须要考虑某种机器学习任务。

是否可以找到具有相同dom结构的节点

1 个答案: