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='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。
#encoding:utf-8
import urllib2
def getURL(str):
start = str.find(r'href=')
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://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://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:
#coding:utf-8
import re
import urllib2
def getPageURLs(url):
text = urllib2.urlopen(url).read()
pattern = r'<a title=".+" target="_blank" href="(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。
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。
#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://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。。。