python进行文档抽取与解析的简单实现

一、前文

之前被叫去做网络爬虫，爬取新浪新闻的url，标题，内容和评论，不过在需求上有点改变，主要是评论的间隔被要求有‘\t’的分割，比如将

<comment>
2014-12-10 18:53:20    1004400533   遗弃亲生骨肉猪狗不如，难道就不怕受到良心谴责？你能睡得安稳？
2014-12-10 17:17:07    3294923134   这父亲是人吗？
</comment>

改为

<comment>
2014-12-10 18:53:20 1004400533 遗弃亲生骨肉猪狗不如，难道就不怕受到良心谴责？你能睡得安稳？
2014-12-10 17:17:07 3294923134 这父亲是人吗？
</comment>

试过重新爬取，不过新浪在2015年后，做了些改变，一是评论api下的内容有了些修改，从原本的中文字符变为了‘\u‘，解决办法可以参考另一篇博文三张图告诉你python爬虫时转换\u中文字符的“坑”，二是在爬虫上需要做好浏览器模拟的工作，不然很容易被封杀，而且，在做大规模爬取的时候，需要利用多线程或者分布式的手段进行，多线程稍不注意，到了系统线程的上限，这是要注意的。

二、抽取和解析

因为我想爬取这个页面（social）一年的内容，已经超过2万了（只算那些有评论的新闻），所以经常第二天回来发现中途error。分布式计算的东西现在还没去学习，所以还是复习一下python。

在这个简短的程序中，用到了SGMLParser类进行解析，这个类封装了可以实现对具有标签的字符串的处理函数，当然没有标签也是可以用的，不需要冠以html文本种类的要求，网上很多例子可能会拿HTMLParser与SGMLParser进行说明，通过解析X.html进行说明。这里我只采用单线程的方法。

SGMLParser:

1、通过利用开关变量的方法进行标签间内容的抽取和解析，在此之前，需要进行变量的初始化，可以利用__init__()或者__reset__()，一般用__reset__()。

2、start_x(),end_x(),handle_data()，这三个函数，第一个是当读取到<x>时，执行的函数，第一个是当读取到</x>时，执行的函数,第三个是当遇到标签内的内容，就会调用这个函数，更详细一点可以参考这篇博文

变量说明：

rootdir：原始文件目录

rootdir：需要存放转换好的文件目录

方法说明：

1、通过SGMLParser读取<comment></comment>中的内容，调用solve()函数，利用正则匹配的方法将原来不符合规范的空格替换为‘\t‘，返回需要替换的内容到comment变量

2、利用正则匹配找到定位到<comment></comment>，替换为Parse类对象的comment值

（正则表达式的方法参考以下注释）

完整代码：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from sgmllib import SGMLParser
import re,os
rootdir = 'F:\\Python27\\pythonproject\\fuck\\file1\\'
rootdir2 = 'F:\\Python27\\pythonproject\\fuck\\file2\\'


class Parse(SGMLParser):
    def __init__(self,filename):
        self.filename = filename  
        self.comment = '' 
        SGMLParser.__init__(self)       
    def reset(self):
        self.found_comment = False
        SGMLParser.reset(self)
    def start_comment(self, attrs):
        self.found_comment = True
    def end_comment(self):
        self.found_comment = False
    def handle_data(self, text):
        if self.found_comment == True:
            self.comment=solve(self.filename,text)

def solve(filename,text):   
    #找到3个或3个以上空格的地方，替换为'\t'
    strinfo = re.compile('(\s\s\s*)')
    str_result = strinfo.sub('\t',text)
    return str_result
    

if __name__ == '__main__':
        
    global rootdir,rootdir2
    for parent,dirnames,filenames in os.walk(rootdir):    #三个参数：分别返回1.父目录 2.所有文件夹名字（不含路径） 3.所有文件名字
        for filename in filenames:
            #print filename
            
            filesource = open(rootdir+filename, 'a+')    
            s = filesource.read()            
            filesource.close()
            #初始化实例p,feed()函数为添加处理字符串
            p = Parse(filename)            
            p.feed(s)
            
            filedes = open(rootdir2+filename, 'a+')
            #因为原来原数据中存在不以</comment>结尾的内容，因此需要先做处理
            pattern1='</comment>'
            if re.findall(pattern1,s) == []:
                s=s+'\n</comment>'
            
<span style="white-space:pre">	</span>    #定位到comment标签位置，([\s\S]*)能够匹配所有字符，包括换行符，然后替换
            strinfo = re.compile('<comment>([\s\S]*)</comment>')
            str_result = strinfo.sub('<comment>'+p.comment+'</comment>',s)
            
            filedes.write(str_result)
            filedes.close()

注意：win7系统一般文件夹下的文件总数（包括文件夹）不能超过21845个，不然会提示错误。