我們?cè)趯?xiě)爬蟲(chóng)的過(guò)程中，除了研究反爬之外，幾乎全部的時(shí)間都在寫(xiě)解析邏輯。那么，生命苦短，為什么我們不寫(xiě)一個(gè)通用解析器呢？對(duì)啊！為什么不呢？開(kāi)整！

爬蟲(chóng)要解析的網(wǎng)頁(yè)類型無(wú)外乎 html、json 以及一些二進(jìn)制文件（video、excel 文件等）。既然要做成通用解析器，我們有兩種實(shí)現(xiàn)方式，一種是將網(wǎng)頁(yè)內(nèi)容轉(zhuǎn)換成統(tǒng)一的形式，然后用對(duì)應(yīng)的解析規(guī)則去解析，比如全部將網(wǎng)頁(yè)內(nèi)容轉(zhuǎn)換成 html 形式，然后用 xpath 去提取。

另外一種是配置文件預(yù)先告知的方式，你配置成什么類型，解析器就通過(guò)對(duì)應(yīng)的解析規(guī)則去解析。

統(tǒng)一網(wǎng)頁(yè)形式，需要做大量的網(wǎng)頁(yè)內(nèi)容形式轉(zhuǎn)換，而配置文件預(yù)先告知?jiǎng)t需要在配置時(shí)指定更多解析字段。相比較而言，通過(guò)第二種方式，未來(lái)改變較多的是配置規(guī)則，不需要?jiǎng)雍诵拇a，引入 bug 的可能性較低。因此這里我們采用第二種方式實(shí)現(xiàn)解析器

解析器對(duì)于網(wǎng)頁(yè)內(nèi)容的提取，本質(zhì)上和我們?cè)诒镜仉娔X上查找和整理文件，沒(méi)有什么差別。比如像下面這樣

解析內(nèi)容就是從中提取我們想要的信息，然后整理成我們希望的格式。比如上面的內(nèi)容，我們提取出來(lái)的形式應(yīng)該是這樣

{ 'design': '設(shè)計(jì)圖.psd', 'software': 'sketch.dmg'}

而在實(shí)際的爬蟲(chóng)開(kāi)發(fā)過(guò)程中，網(wǎng)頁(yè)形式遠(yuǎn)比以上的復(fù)雜。其實(shí)遇到最多的問(wèn)題是在一組列表中嵌套一個(gè)列表，我們需要把這種形式提取出來(lái)。比如像下面這種形式

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

他提取出信息后應(yīng)該是這樣

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

如果小伙伴對(duì)于算法熟悉的話，應(yīng)該能察覺(jué)出這種遍歷用遞歸來(lái)寫(xiě)是非常方便的。但要注意的是 python 會(huì)限定遞歸的層數(shù)，小伙伴可以通過(guò)下面這個(gè)方法查看遞歸限定的層數(shù)

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

我這邊限定的層數(shù)是 1k。對(duì)于解析網(wǎng)頁(yè)來(lái)說(shuō)完全夠用了，如果哪個(gè)人把網(wǎng)頁(yè)解析邏輯嵌套了 1000 層，我建議你直接跟老板提放棄這個(gè)網(wǎng)頁(yè)吧！

我們已經(jīng)知道對(duì)于通用解析來(lái)說(shuō)，就是通過(guò)配置解析規(guī)則提取頁(yè)面的對(duì)應(yīng)信息。而針對(duì)有列表層級(jí)的網(wǎng)頁(yè)可能還涉及遞歸遍歷問(wèn)題。那如何去配置這種解析規(guī)則呢？其實(shí)很簡(jiǎn)單，只需要在進(jìn)入每一個(gè)層級(jí)之前先指定該層的數(shù)據(jù)形式，比如下面這個(gè)原數(shù)據(jù)

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

想提取嵌套信息，我們的解析規(guī)則就應(yīng)該是這樣的

[ { '$name': 'a', '$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 字段表示我們最終希望最外層數(shù)據(jù)所擁有的字段名，當(dāng)然如果是需要遞歸到內(nèi)層的字段，則將列表保存為 __datas__ ，然后根據(jù)這個(gè) __datas__ 進(jìn)行內(nèi)層結(jié)構(gòu)的解析。最終我們得到的數(shù)據(jù)結(jié)構(gòu)應(yīng)該是這樣的

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

以上我們只演示了 json 的解析規(guī)則，如果要拿來(lái)解析 html 對(duì)象呢？很簡(jiǎn)單，將解析方式改為 xpath 對(duì)象，然后傳入 xpath 解析語(yǔ)法即可。

總共分成兩部分，一部分根據(jù)原最終結(jié)果和規(guī)則進(jìn)行打包，將所有涉及 recursion 邏輯的字段進(jìn)行轉(zhuǎn)換，代碼如下

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_resultreturn item

另外一部分將上一步得到的進(jìn)行解析，將打包得到的結(jié)果進(jìn)行解包，即將所有內(nèi)嵌的數(shù)據(jù)提到最外層，代碼如下

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

后再包一層執(zhí)行入口就可以了，完整代碼如下

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_resultreturn 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。案例中僅實(shí)現(xiàn)了對(duì)于 json 的支持，小伙伴可以基于自己的項(xiàng)目，改造成其他的解析形式。通用解析其實(shí)是雞仔為了偷懶寫(xiě)的，因?yàn)殡u仔發(fā)現(xiàn)，在爬蟲(chóng)開(kāi)發(fā)中，大部分工作都耗在解析這部分。而有了通用解析的前端頁(yè)面，運(yùn)營(yíng)和數(shù)據(jù)分析師就可以根據(jù)自己的需要配置自己想爬取的站點(diǎn)了。人生苦短，你懂得。我去摸魚(yú)了~

實(shí)現(xiàn)方式請(qǐng)移步至 github 查看：https://github.com/hacksman/learn_lab/blob/master/small_bug_lab/general_parser.py

以上就是python 用遞歸實(shí)現(xiàn)通用爬蟲(chóng)解析器的詳細(xì)內(nèi)容，更多關(guān)于python 遞歸實(shí)現(xiàn)爬蟲(chóng)解析器的資料請(qǐng)關(guān)注好吧啦網(wǎng)其它相關(guān)文章！