香港云主机最佳企业级服务商!

ADSL拨号VPS包含了中国大陆(联通,移动,电信,)

中国香港,国外拨号VPS。

当前位置:云主机 > python >

电信ADSL拨号VPS
联通ADSL拨号VPS
移动ADSL拨号VPS

python实现批量下载新浪博客的方法


时间:2021-12-08 14:52 作者:admin610456


本文实例讲述了python/' target='_blank'>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:

# coding=utf-8 import urllib2import sys, osimport reimport stringfrom BeautifulSoup import BeautifulSoupdef 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 Truedef delReturn(element):  '''删除元素内的换行'''  return re.sub('(?<!^)\n+(?!$)', ' ', str(element)).decode('utf-8')def validFilename(filename):  # windows  return re.sub('[\/:*?<>"|\xa0]', '', filename)def writeToFile(text, filename, dirname):  if not os.path.exists(dirname):    os.makedirs(dirname)    print encode('保存到目录'), dirname  filename = validFilename(filename)  print encode('保存文章'), filename  path = os.path.join(dirname, filename)  if not os.path.exists(path):    f = open(path, 'w')    f.write(text)    f.close()  else:    print filename, encode('已经存在')def formatContent(url, title=''):  '''格式化文章内容'''  page = getHTML(url)  content = page.find('div', {'class':'articalContent'})  art_id = re.search('blog_(\w+)\.html', url).group(1)  blog_name = page.find('span', id='blognamespan').string  if title == '':    title = page.find('h2', id=re.compile('^t_')).string  temp_data = filter(visible, content.findAll(text=True)) # 去掉不可见元素  temp_data = ''.join(map(delReturn, temp_data)) # 删除元素内的换行符  temp_data = temp_data.strip() # 删除文章首尾的空行  temp_data = re.sub('\n{2,}', '\n\n', temp_data) # 删除文章内过多的空行  # 输出到文件  # 编码问题  temp_data = '本文地址:'.decode('utf-8') + url + '\n\n' + temp_data  op_text = temp_data.encode('utf-8')  op_file = title + '_' + art_id +'.txt'  writeToFile(op_text, op_file, blog_name)def articlelist(url):  articles = {}  page = getHTML(url)  pages = page.find('ul', {'class':'SG_pages'}).span.string  page_num = int(re.search('(\d+)', pages).group(1))  for i in range(1, page_num+1):    print encode('生成第%d页文章索引'%i)    if i != 1:      url = re.sub('(_)\d+(\.html)$', '\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 articlesdef 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。

(责任编辑:admin)






帮助中心
会员注册
找回密码
新闻中心
快捷通道
域名登录面板
虚机登录面板
云主机登录面板
关于我们
关于我们
联系我们
联系方式

售前咨询:17830004266(重庆移动)

企业QQ:383546523

《中华人民共和国工业和信息化部》 编号:ICP备00012341号

Copyright © 2002 -2018 香港云主机 版权所有
声明:香港云主机品牌标志、品牌吉祥物均已注册商标,版权所有,窃用必究

云官方微信

在线客服

  • 企业QQ: 点击这里给我发消息
  • 技术支持:383546523

  • 公司总台电话:17830004266(重庆移动)
  • 售前咨询热线:17830004266(重庆移动)