您好, 欢迎来到 !    登录 | 注册 | | 设为首页 | 收藏本站

python实现批量下载新浪博客的方法

5b51 2022/1/14 8:21:52 python 字数 6295 阅读 501 来源 www.jb51.cc/python

本文实例讲述了python实现批量下载新浪博客的方法。分享给大家供大家参考。具体实现方法如下:

概述

本文实例讲述了python实现批量下载新浪博客方法分享给大家供大家参考。具体实现方法如下:

# coding=utf-8 
import urllib2
import sys,os
import re
import string
from BeautifulSoup import BeautifulSoup
def encode(s):
  return s.decode('utf-8').encode(sys.stdout.encoding,'ignore')
def getHTML(url):
  #proxy_handler = urllib2.ProxyHandler({'http':'http://211.138.124.211:80'})
  #opener = urllib2.build_opener(proxy_handler)
  #urllib2.install_opener(opener)
  req = urllib2.Request(url)
  response = urllib2.urlopen(req,timeout=15)
  return BeautifulSoup(response,convertEntities=BeautifulSoup.HTML_ENTITIES)
def visible(element):
  '''抓取可见的文本元素'''
  if element.parent.name in ['style','script','[document]','head','title']:
    return False
  elif re.match('<!--.*-->',str(element)):
    return False
  elif element == u'\xa0':
    return False
  return True
def delReturn(element):
  '''删除元素内的换行'''
  return re.sub('(?<!^)\n+(?!$)',' ',str(element)).decode('utf-8')
def validFilename(filename):
  # windows
  return re.sub('[\/:*?<>"|\xa0]','',filename)
def writeToFile(text,filename,dirname):
  if not os.path.exists(dirname):
    os.makedirs(dirname)
    print encode('保存到目录'),dirname
  filename = validFilename(filename)
  print encode('保存文章'),filename
  path = os.path.join(dirname,filename)
  if not os.path.exists(path):
    f = open(path,'w')
    f.write(text)
    f.close()
  else:
    print filename,encode('已经存在')
def formatContent(url,title=''):
  '''格式化文章内容'''
  page = getHTML(url)
  content = page.find('div',{'class':'articalContent'})
  art_id = re.search('blog_(\w+)\.html',url).group(1)
  blog_name = page.find('span',id='blognamespan').string
  if title == '':
    title = page.find('h2',id=re.compile('^t_')).string
  temp_data = filter(visible,content.findAll(text=True)) # 去掉不可见元素
  temp_data = ''.join(map(delReturn,temp_data)) # 删除元素内的换行符
  temp_data = temp_data.strip() # 删除文章首尾的空行
  temp_data = re.sub('\n{2,}','\n\n',temp_data) # 删除文章内过多的空行
  # 输出文件
  # 编码问题
  temp_data = '本文地址:'.decode('utf-8') + url + '\n\n' + temp_data
  op_text = temp_data.encode('utf-8')
  op_file = title + '_' + art_id +'.txt'
  writeToFile(op_text,op_file,blog_name)
def articlelist(url):
  articles = {}
  page = getHTML(url)
  pages = page.find('ul',{'class':'SG_pages'}).span.string
  page_num = int(re.search('(\d+)',pages).group(1))
  for i in range(1,page_num+1):
    print encode('生成第%d页文章索引'%i)
    if i != 1:
      url = re.sub('(_)\d+(\.html)$','\g<1>'+str(i)+'\g<2>',url)
      page = getHTML(url)
    article = page.findAll('span',{'class':'atc_title'})
    for art in article:
      art_title = art.a['title']
      art_href = art.a['href']
      articles[art_title] = art_href
  return articles
def blog_dld(articles):
  if not isinstance(articles,dict):
    return False
  print encode('开始下载文章')
  for art_title,art_href in articles.items():
    formatContent(art_href,art_title)
if __name__ == '__main__':
  sel = raw_input(encode('你要下载的是(1)全部文章还是(2)单篇文章,输入1或者2: '))
  if sel == '1':
    #articlelist_url = 'http://blog.sina.com.cn/s/articlelist_1303481411_0_1.html'
    articlelist_url = raw_input(encode('请输入博客文章目录链接: '))
    articles = articlelist(articlelist_url)
    blog_dld(articles)
  else:
    #article_url = 'http://blog.sina.com.cn/s/blog_4db18c430100gxc5.html'
    article_url = raw_input(encode('请输入博客文章链接: '))
    formatContent(article_url)

希望本文所述对大家的Python程序设计有所帮助。

总结

以上是编程之家为你收集整理的python实现批量下载新浪博客的方法全部内容,希望文章能够帮你解决python实现批量下载新浪博客的方法所遇到的程序开发问题。


如果您也喜欢它,动动您的小指点个赞吧

除非注明,文章均由 laddyq.com 整理发布,欢迎转载。

转载请注明:
链接:http://laddyq.com
来源:laddyq.com
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。


联系我
置顶