python 用递归实现通用爬虫解析器

鸡仔说 2021-03-23

672

我们在写爬虫的过程中，除了研究反爬之外，几乎全部的时间都在写解析逻辑。那么，生命苦短，为什么我们不写一个通用解析器呢？对啊！为什么不呢？开整！

需求分析

爬虫要解析的网页类型无外乎 html、json 以及一些二进制文件（video、excel 文件等）。既然要做成通用解析器，我们有两种实现方式，一种是将网页内容转换成统一的形式，然后用对应的解析规则去解析，比如全部将网页内容转换成 html 形式，然后用 xpath 去提取。

另外一种是配置文件预先告知的方式，你配置成什么类型，解析器就通过对应的解析规则去解析。

统一网页形式，需要做大量的网页内容形式转换，而配置文件预先告知则需要在配置时指定更多解析字段。相比较而言，通过第二种方式，未来改变较多的是配置规则，不需要动核心代码，引入 bug 的可能性较低。因此这里我们采用第二种方式实现解析器

进一步分析

解析器对于网页内容的提取，本质上和我们在本地电脑上查找和整理文件，没有什么差别。比如像下面这样

解析内容就是从中提取我们想要的信息，然后整理成我们希望的格式。比如上面的内容，我们提取出来的形式应该是这样

{  "design": "设计图.psd",  "software": "sketch.dmg"}

而在实际的爬虫开发过程中，网页形式远比以上的复杂。其实遇到最多的问题是在一组列表中嵌套一个列表，我们需要把这种形式提取出来。比如像下面这种形式

{    "a": "a",    "b": [        {"c": "c1", "d": "d1"},        {"c": "c2", "d": "d2"}]}

他提取出信息后应该是这样

[  {    "a": "a",    "c": "c1",    "d": "d1"  },  {    "a": "a",    "c": "c2",    "d": "d2"  }]

如果小伙伴对于算法熟悉的话，应该能察觉出这种遍历用递归来写是非常方便的。但要注意的是 python 会限定递归的层数，小伙伴可以通过下面这个方法查看递归限定的层数

import sysprint(sys.getrecursionlimit())>>>1000

我这边限定的层数是 1k。对于解析网页来说完全够用了，如果哪个人把网页解析逻辑嵌套了 1000 层，我建议你直接跟老板提放弃这个网页吧！

再进一步分析

我们已经知道对于通用解析来说，就是通过配置解析规则提取页面的对应信息。而针对有列表层级的网页可能还涉及递归遍历问题。那如何去配置这种解析规则呢？其实很简单，只需要在进入每一个层级之前先指定该层的数据形式，比如下面这个原数据

{  "a": "a",  "b": [          {"c": "c1", "d": "d1"},          {"c": "c2", "d" : "d2"}       ]}

想提取嵌套信息，我们的解析规则就应该是这样的

[ {  "$name": "a",  "$value_type": "raw",  "$parse_method": "json",  "$parse_rule": "a",  "$each": [] }, {  "$name": "__datas__",  "$value_type": "recursion",  "$parse_method": "json",  "$parse_rule": "b",  "$each": [        {           "$name": "c",          "$value_type": "raw",         "$parse_method": "json",         "$parse_rule": "c",         "$each": []        },        {           "$name": "d",          "$value_type": "raw",         "$parse_method": "json",         "$parse_rule": "d",         "$each": []        }      ] }]

其中 $name 字段表示我们最终希望最外层数据所拥有的字段名，当然如果是需要递归到内层的字段，则将列表保存为 __datas__ ，然后根据这个 __datas__ 进行内层结构的解析。最终我们得到的数据结构应该是这样的

[  {"a": "a", "c": "c1", "d": "d1"},   {"a": "a", "c": "c2", "d": "d2"}]

以上我们只演示了 json 的解析规则，如果要拿来解析 html 对象呢？很简单，将解析方式改为 xpath 对象，然后传入 xpath 解析语法即可。

代码实现

总共分成两部分，一部分根据原最终结果和规则进行打包，将所有涉及 recursion 逻辑的字段进行转换，代码如下

def _pack_json(result, rules):        item = {}        for p_rule in rules:            if p_rule.get("$value_type") == "raw":                if p_rule.get("$parse_method") == "json":                    item[p_rule.get("$name")] = glom(result, p_rule.get("$parse_rule"))            elif p_rule.get("$value_type") == "recursion":                if p_rule.get("$parse_method") == "json":                    tmp_result = glom(result, p_rule.get("$parse_rule"))                    total_result = []                    for per_r in tmp_result:                        total_result.append(_pack_json(per_r, p_rule.get("$each")))                    item[p_rule.get("$name")] = total_result        return item

另外一部分将上一步得到的进行解析，将打包得到的结果进行解包，即将所有内嵌的数据提到最外层，代码如下

def _unpack_datas(result: dict) -> list:        if "__datas__" not in result:            return [result]        item_results = []        all_item = result.pop("__datas__")        for per_item in all_item:            if "__datas__" in per_item:                tmp_datas = per_item.pop("__datas__")                for per_tmp_data in tmp_datas:                    tmp_item = _unpack_datas(per_tmp_data)                    for per_tmp_item in tmp_item:                        item_results.append({**per_tmp_item, **per_item})            else:                item_results.append({**result, **per_item})        return item_results

后再包一层执行入口就可以了，完整代码如下

from loguru import loggerfrom glom import glomdef parse(result, rules):    def _pack_json(result, rules):        item = {}        for p_rule in rules:            if p_rule.get("$value_type") == "raw":                if p_rule.get("$parse_method") == "json":                    item[p_rule.get("$name")] = glom(result, p_rule.get("$parse_rule"))            elif p_rule.get("$value_type") == "recursion":                if p_rule.get("$parse_method") == "json":                    tmp_result = glom(result, p_rule.get("$parse_rule"))                    total_result = []                    for per_r in tmp_result:                        total_result.append(_pack_json(per_r, p_rule.get("$each")))                    item[p_rule.get("$name")] = total_result        return item    def _unpack_datas(result: dict) -> list:        if "__datas__" not in result:            return [result]        item_results = []        all_item = result.pop("__datas__")        for per_item in all_item:            if "__datas__" in per_item:                tmp_datas = per_item.pop("__datas__")                for per_tmp_data in tmp_datas:                    tmp_item = _unpack_datas(per_tmp_data)                    for per_tmp_item in tmp_item:                        item_results.append({**per_tmp_item, **per_item})            else:                item_results.append({**result, **per_item})        return item_results    pack_result = _pack_json(result, rules)    logger.info(pack_result)    return _unpack_datas(pack_result)

以上，就是通用解析器的完整案例。案例中仅实现了对于 json 的支持，小伙伴可以基于自己的项目，改造成其他的解析形式。通用解析其实是鸡仔为了偷懒写的，因为鸡仔发现，在爬虫开发中，大部分工作都耗在解析这部分。而有了通用解析的前端页面，运营和数据分析师就可以根据自己的需要配置自己想爬取的站点了。人生苦短，你懂得。我去摸鱼了~

实现方式请移步至 github 查看：https://github.com/hacksman/learn_lab/blob/master/small_bug_lab/general_parser.py

以上，如果觉得内容对你有所帮助，还请点个「在看」支持，谢谢各位dai佬！

好看的人都点了在看

python

文章转载自鸡仔说，如果涉嫌侵权，请发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。

python 用递归实现通用爬虫解析器

需求分析

进一步分析

再进一步分析

代码实现

评论