要求:将CSDN博客分类保存
效果展示:
代码实现:
# encoding=utf-8
"""
Date:2019-08-08 10:32
User:LiYu
Email:liyu_5498@163.com
"""
import os
import requests
def get_content(url):
"""获取指定网页的页面信息"""
headers = {
'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) '}
try:
# 如果响应的状态码为404并不会抛出一场, 那么如何让处理?
response = requests.get(url, headers=headers)
response.raise_for_status() # 如果返回的状态码不是200, 那么抛出异常
response.encoding = response.apparent_encoding # 自动判断网也的编码格式, 便于response.text知道如何实现解码
except Exception as e:
print('[-] 爬取失败:', e)
else:
# print('[+]' + response.url, "爬取成功....")
# print(len(response.text))
return response.text
def parser_content(html):
"""解析页面内容: 获取博客名称和博客链接"""
# 1. 实例化soup对象
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
# print(soup)
# print(soup.prettify())
# 2. 分析页面, 获取内容;
# print(soup.title.text)
# 获取博客分类, 用列表保存
classify_lists = soup.body.find('ul', class_='colu_cate_list').find_all('li')
for cl in classify_lists:
classify_name = cl.a.text # 获取分类名,用于后续创建文件
classify_url = cl.a.get('href') # 获取分类的连接
article_content = get_content(classify_url) # 获取当前分类的页面信息
article_soup = BeautifulSoup(article_content, 'lxml')
# 获取文章信息,列表保存
article_lists = article_soup.body.find('ul', class_='colu_author_c').find_all('li')
# print(article_lists)
# print(soup.body.prettify())
# print(soup.body.div)
if not os.path.exists('blog_classify'): # 创建保存分类md文件的目录
os.makedirs('blog_classify')
f = open('./blog_classify/%s.md' % classify_name, 'w') # 以当前分类命名
for article in article_lists: # 储存当前分类的所有文章标题连接
# 获取标题
blogName = article.h4.a.text
# 获取链接
blogUrl = article.h4.a.get('href')
f.write('- [%s](%s)\n' % (blogName, blogUrl))
f.close()
if __name__ == '__main__':
url = 'https://blog.csdn.net/Dreaming5498/article/list/'
content = get_content(url)
parser_content(content)