1. 項目背景
在python 即時網絡爬蟲項目啟動說明中我們討論一個數字：程序員浪費在調測內容提取規則上的時間，從而我們發起了這個項目，把程序員從繁瑣的調測規則中解放出來，投入到更高端的數據處理工作中。
2. 解決方案
為了解決這個問題，我們把影響通用性和工作效率的提取器隔離出來，描述了如下的數據處理流程圖：
圖中“可插拔提取器”必須很強的模塊化，那么關鍵的接口有：
- 標准化的輸入：以標准的HTML DOM對象為輸入
- 標准化的內容提取：使用標准的xslt模板提取網頁內容
- 標准化的輸出：以標准的XML格式輸出從網頁上提取到的內容
- 明確的提取器插拔接口：提取器是一個明確定義的類，通過類方法與爬蟲引擎模塊交互
3. 提取器代碼
可插拔提取器是即時網絡爬蟲項目的核心組件，定義成一個類： gsExtractor
python源代碼文件及其說明文檔請從 github 下載
使用模式是這樣的：
- 實例化一個gsExtractor對象
- 為這個對象設定xslt提取器，相當於把這個對象配置好（使用三類setXXX()方法）
- 把html dom輸入給它，就能獲得xml輸出（使用extract()方法）
下面是這個gsExtractor類的源代碼
4. 用法示例
下面是一個示例程序，演示怎樣使用gsExtractor類提取GooSeeker官網的bbs帖子列表。本示例有如下特征：
- 提取器所用的xslt模板提前放在文件中：xslt_bbs.xml
- 僅作為示例，實際使用場景中，xslt來源有多個，最主流的來源是GooSeeker平台上的api
- 在控制台界面上打印出提取結果
下面是源代碼，都可從 github 下載
提取結果如下圖所示：
5. 接下來閱讀
本文已經說明了提取器的價值和用法，但是沒有說怎樣生成它，只有快速生成提取器才能達到節省開發者時間的目的，這個問題將在其他文章講解，請看《Python使用xslt提取網頁數據》。
6. 集搜客GooSeeker開源代碼下載源
1. GooSeeker開源Python網絡爬蟲GitHub源
7. 文檔修改歷史
2016-05-27：V2.0，增補項目背景介紹和價值說明
2016-05-27：V2.1，實現了提取器類的從GooSeeker API接口獲取xslt的方法
2016-05-29：V2.2，增加第六章：源代碼下載源，並更換github源的網址
2016-06-03：V2.3，提取器代碼更新為2.0。支持同一主題下多規則或多整理箱的情況，通過API方式獲取xslt時可以傳入參數“規則編號”和“整理箱名稱”