首页 > 代码库 > 利用Python编写网络爬虫下载文章
利用Python编写网络爬虫下载文章
#coding: utf-8#title..href...str0=‘blabla<a title="《论电影的七个元素》——关于我对电影的一些看法以及《后会无期》的一些消息" target="_blank" href="http://blog.sina.com.cn/s/blog_4701280b0102eo83.html">《论电影的七个元素》——关于我对电…</a>‘import urllib.requestimport timeurl=[‘‘]*350page=1link=1while page<=7: con=urllib.request.urlopen(‘http://blog.sina.com.cn/s/articlelist_1191258123_0_‘+str(page)+‘.html‘).read().decode(‘utf-8‘) #print(‘con‘,con) title=con.find(r‘<a title=‘) href=con.find(r‘href=http://www.mamicode.com/‘,title) html=con.find(r‘.html‘,href) i=0 while i<=50 and title!=-1 and href!=-1 and html!=-1: #没找到时返回-1 url[page*50-50+i]=con[href+6:html+5] #print(‘con‘,con) title=con.find(r‘<a title=‘,html) href=con.find(r‘href=http://www.mamicode.com/‘,title) html=con.find(r‘.html‘,href) print(link,‘.‘,url[page*50-50+i]) i=i+1 link=link+1 else: print(‘one page find end!‘) page=page+1else: print(‘all pages find end‘)j=0while j<350: content=urllib.request.urlopen(url[j]).read().decode(‘utf-8‘) open(r‘hanhan/‘+url[j][-26:],‘w+‘).write(content) print(‘donwloading ‘,j,‘ page:‘,url[j]) j=j+1 time.sleep(0.1)else: print(‘download article finished‘) #r 以只读方式打开文件,该文件必须存在。#r+ 以可读写方式打开文件,该文件必须存在。#rb+ 读写打开一个二进制文件,允许读写数据,文件必须存在。#w 打开只写文件,若文件存在则文件长度清为0,即该文件内容会消失。若文件不存在则建立该文件。#w+ 打开可读写文件,若文件存在则文件长度清为零,即该文件内容会消失。若文件不存在则建立该文件。#a 以附加的方式打开只写文件。若文件不存在,则会建立该文件,如果文件存在,写入的数据会被加到文件尾,即文件原先的内容会被保留。(EOF符保留)#a+ 以附加方式打开可读写的文件。若文件不存在,则会建立该文件,如果文件存在,写入的数据会被加到文件尾后,即文件原先的内容会被保留。 (原来的EOF符不保留)#wb 只写打开或新建一个二进制文件;只允许写数据。#wb+ 读写打开或建立一个二进制文件,允许读和写。#ab+ 读写打开一个二进制文件,允许读或在文件末追加数据。#at+ 打开一个叫string的文件,a表示append,就是说写入处理的时候是接着原来文件已有内容写入,不是从头写入覆盖掉,t表示打开文件的类型是文本文件,+号表示对文件既可以读也可以写。#二进制和文本模式的区别#1.在windows系统中,文本模式下,文件以"\r\n"代表换行。若以文本模式打开文件,并用fputs等函数写入换行符"\n"时,函数会自动在"\n"前面加上"\r"。即实际写入文件的是"\r\n" 。#2.在类Unix/Linux系统中文本模式下,文件以"\n"代表换行。所以Linux系统中在文本模式和二进制模式下并无区别。#打开方式总结:各种打开方式主要有三个方面的区别:##①打开是否为二进制文件,用“b”标识。#②读写的方式,有以下几种:只读、只写、读写、追加只写、追加读写这几种方式。#③对文件是否必须存在、以及存在时是清空还是追加会有不同的响应。具体判断如下图。 #print(‘---------------------test---------------------‘)#title=str0.find(r‘<a title‘)#print(title)#href=http://www.mamicode.com/str0.find(r‘href‘)#print(href)#html=str0.find(r‘.html‘)#print(html)#url=str0[href+6:html+5]#print(url)#content=urllib.request.urlopen(url).read()#print(content)#filename=url[-26:] #URL最后字符串作为文件名#print(filename)#open(filename,‘wb‘).write(content)#把读到的内容写入到本地文件中
今天来讲如何利用Python爬虫下载文章,拿韩寒的博客为例来一步一步进行详细探讨。。。 韩寒的博客地址是:http://blog.sina.com.cn/s/articlelist_1191258123_0_1.html 可以看出左边是文章列表,而且不止一页,我们先从最简单的开始,先对一篇文章进行下载,再研究对一页所有的文章进行下载,最后再研究对所有的文章下载。 第一步:对一篇文章下载 我们打开韩寒的博客,然后查看源码,可以看出每一篇文章的列表源码为: <span class="atc_title"><a title="东望洋" target="_blank" href="http://blog.sina.com.cn/s/blog_4701280b0102eck1.html">东望洋</a></span> 我们主要是想提取出中间绿色部分的URL,然后找到这篇文章的正文进行分析,然后提取进行下载。首先,假 设已经得到这个字符串,然后研究如何提取这个URL,观察发现,对于所有的这类字符串,都有一个共同点,那 就是都含有子串‘<a title=‘,‘href=http://www.mamicode.com/‘和‘.html‘,那么我们可以用最笨的方式---查找子串进行定界。 在Python中有一个方法叫做find(),是用来查找子串的,返回子串出现的位置,那么,可以用如下代码来提 取URL,并读取文件和下载文件。 [python] view plaincopy在CODE上查看代码片派生到我的代码片#encoding:utf-8 import urllib2 def getURL(str): start = str.find(r‘href=http://www.mamicode.com/‘) start += 6 end = str.find(r‘.html‘) end += 5 url = str[start : end] return url def getContext(url): text =urllib2.urlopen(url).read() return text def StoreContext(url): content = getContext(url) filename = url[-20:] open(filename, ‘w‘).write(content) if __name__ == ‘__main__‘: str = ‘<span class="atc_title"><a title="东望洋" target="_blank" href="http://blog.sina.com.cn/s/blog_4701280b0102eck1.html">东望洋</a></span>‘ url = getURL(str) StoreContext(url) 第二,三步:下载所有的文章 在这一步中,我们要提取第一页所有的文章的URL和标题,不再采用上面第一步的find()函数,毕竟这个函数 缺乏灵活性,那么采用正则表达式最好。 首先采集数据,观察发现,所有文章的URL都符合 <a title="..." target="_blank" href=http://www.mamicode.com/"http://blog.sina.com.cn....html"> 这一规则,所以我们可以设置正则表达式 r‘<a title=".+" target="_blank" href="http://www.mamicode.com/(http://blog.sina/.com/.cn.+/.html)">‘ 这样就容易了,下面是爬取韩寒所有文章,并在本地保存为.html文件。 代码:[python] view plaincopy在CODE上查看代码片派生到我的代码片#coding:utf-8 import re import urllib2 def getPageURLs(url): text = urllib2.urlopen(url).read() pattern = r‘<a title=".+" target="_blank" href="http://www.mamicode.com/(http://blog.sina/.com/.cn.+/.html)">‘ regex = re.compile(pattern) urlList = re.findall(regex,text) return urlList def getStore(cnt,url): text = urllib2.urlopen(url) context = text.read(); text.close() filename = ‘HanhanArticle/‘+str(cnt) + ‘.html‘ f = open(filename,‘w‘) f.write(context) f.close() def getAllURLs(): urls = [] cnt = 0 for i in xrange(1,8): urls.append(‘http://blog.sina.com.cn/s/articlelist_1191258123_0_‘+str(i)+‘.html‘) for url in urls: tmp = getPageURLs(url) for i in tmp: cnt += 1 getStore(cnt,i) if __name__ == ‘__main__‘: getAllURLs() 由于我把文章的标题用一个数字来命名,似乎不是很完美,还有两个问题没有解决,怎么提取文章的标题?,这是涉及到中文提取,怎么把文章的内容提取出来保存为txt格式的文件? 如果能解决上面的两个问题,那么才算是真正地用网络爬虫技术实现了对韩寒博客的下载。 (1)提取文章的标题 为了方便操作,我们用BeautifulSoup来分析网页,对html文本我们提取title之间的内容为 <title>东望洋_韩寒_新浪博客</title> 对这个强制转化为字符串,然后进行切片操作,大致取string[7 : -28],得到了文章的标题。[python] view plaincopy在CODE上查看代码片派生到我的代码片from bs4 import BeautifulSoup import re for i in xrange(1,317): filename = ‘HanhanArticle/‘ + str(i) + ‘.html‘ html = open(filename,‘r‘) soup = BeautifulSoup(html) html.close() title = soup.find(‘title‘) string = str(title) article = string[7 : -28].decode(‘utf-8‘) if article[0] != ‘.‘: print article 但是有些标题直接的内容还需要处理,比如<<ONE IS ALL>>,本来应该解释为《ONE IS ALL》还有比如中央电视台很*很**,这里的**在文件中不能作为名称字符。[python] view plaincopy在CODE上查看代码片派生到我的代码片#coding:utf-8 import re import urllib2 from bs4 import BeautifulSoup def getPageURLs(url): text = urllib2.urlopen(url).read() pattern = r‘<a title=".+" target="_blank" href="http://www.mamicode.com/(http://blog.sina/.com/.cn.+/.html)">‘ regex = re.compile(pattern) urlList = re.findall(regex,text) return urlList def getStore(title,url): text = urllib2.urlopen(url) context = text.read(); text.close() filename = ‘HanhanArticle/‘+ title + ‘.html‘ f = open(filename,‘w‘) f.write(context) f.close() def getTitle(url): html = urllib2.urlopen(url).read() soup = BeautifulSoup(html) title = soup.find(‘title‘) string = str(title) return string[7 : -28] def Judge(title): lens = len(title) for i in xrange(0,lens): if title[i] == ‘*‘: return False return True def getAllURLs(): urls = [] for i in xrange(1,8): urls.append(‘http://blog.sina.com.cn/s/articlelist_1191258123_0_‘+str(i)+‘.html‘) for url in urls: tmp = getPageURLs(url) for i in tmp: title = getTitle(i).decode(‘utf-8‘) print title if title[0] != ‘.‘ and Judge(title): getStore(title,i) if __name__ == ‘__main__‘: getAllURLs() 提取正文部分后续再处理。。。
利用Python编写网络爬虫下载文章
声明:以上内容来自用户投稿及互联网公开渠道收集整理发布,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任,若内容有误或涉及侵权可进行投诉: 投诉/举报 工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。