python编程获取续蜀山剑侠传:目录名称、网址、内容,保存到文件

138 篇文章 0 订阅
5 篇文章 0 订阅

昨天已经用Python编程完成了 从《续蜀山剑侠传》连载网站页面上获取目录信息,包括目录名称和网址,进而读取每个网址对应的网页中连载内容,详见:

python编程获取续蜀山剑侠传:从目录名称、网址到内容_紫郢剑侠的博客-CSDN博客icon-default.png?t=M666https://blog.csdn.net/Purpleendurer/article/details/125827266?spm=1001.2014.3001.5501

今天我们要先统计出需要保存的网址数量,然后把每个网页国中的连载内容逐一保存到txt文件中,文件名就用目录名,然后调用记事本打开。为了避免枯燥,我们每保存1个txt就会更新并输出进度。

完整代码如下:

# -*- coding:UTF-8 -*-
import urllib.request, re, sys, os #, win32api


#--------------------------
def openUrl(url):
   try:
      page = urllib.request.urlopen(url, data=None, timeout=5)
   except urllib.error.HTTPError as e:
     print(e.code)
     print(e.reason)
     return ''
   except urllib.error.URLError as e:
     print(e.reason)
     return ''
   else:    
      html = page.read().decode('utf-8')
      return html

#--------------------------
def getCon(html, tag):
   i = html.find(tag)
   if i == -1:
      print ('没有找到' + tag)
      return ''
   else:
      con = html[i+len(tag):]
      #print ("前30个字符:" + con[:30])

      tag = 'ul'
      tag_pat = r'(?<=<'+ tag + '>).*?(?=</' + tag + '>)'  
      tag_ex = re.compile(tag_pat, re.M|re.S) 
      con = re.findall(tag_ex, con)

      #con = html.split('正文')
      #print (con[0])
      return con[0]


#--------------------------
def showCon(url):
   print (url)
   html = openUrl(url)
   if len(html) <= 0:
      print ('……未能打开-_-!')
      return

   #print (html)
   #html = html.replace('\u3000', ' ')
   html = html.replace('', '\n')
   
   #取回目
   res = r'(.*?)'
   t =  re.findall(res, html, re.I|re.S|re.M)
   print (t[0])

   #获取内容
   res = r'(.*?)'
   c =  re.findall(res, html, re.I|re.S|re.M)
   #t = c[0].replace('\u3000',' ')
   #t = t.replace('','\n')
   print (c[0])

#--------------------------
def showFile (fileSpec):
   with open(fileSpec, 'r', encoding='utf-8') as f:
       print (f.read())
       f.close()


#--------------------------
def saveCon (url, path):
   #print (url)
   html = openUrl(url)
   if len(html) <= 0:
      print ('……未能打开-_-!')
      return

   #print (html)
   #html = html.replace('\u3000', ' ')
   html = html.replace('', '\n')
   
   #取回目
   res = r'(.*?)'
   t =  re.findall(res, html, re.I|re.S|re.M)
   #print (t[0])

   #获取内容
   res = r'(.*?)'
   c =  re.findall(res, html, re.I|re.S|re.M)
   #t = c[0].replace('\u3000',' ')
   #t = t.replace('','\n')
   #print (c[0])
   print ('至' + t[0] + '.txt')
   saveFile (t[0], path, c[0])

   fileSpec = path + '\\' + t[0] + '.txt'
   showFile (fileSpec)
   
   os.system('notepad ' + fileSpec)
   #win32api.ShellExecute(0, 'open', fileSpec, '', '', 1)

#--------------------------
def printList(list, host):
   #获取text
   res = r'(.*?)'
   t =  re.findall(res, list, re.S|re.M)

   #获取href
   res_url = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"
   h = re.findall(res_url, list, re.I|re.S|re.M)
   
   for i in range(len(t)):
     print (str(i+1) + '\t' + t[i] + '\t' + host + h[i])

#--------------------------
def getListHref(list, host):
   #获取text
   #res = r'(.*?)'
   #t =  re.findall(res, list, re.S|re.M)

   #获取href
   res_url = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"
   h = re.findall(res_url, list, re.I|re.S|re.M)
   
   return h

#--------------------------
def saveFile (fileName, path, txt):
   #write_flag = True

   # open(file, mode='r', buffering=-1, encoding=None, \
   #     errors=None, newline=None, closefd=True, opener=None)
   with open(path + '\\' + fileName + '.txt', 'a', encoding='utf-8') as f:
       f.write(fileName + '\n\n')
       f.writelines(txt)
       f.close()

#--------------------------
def saveBook(url, host):
   #for i in range(len(url)):
     i = 0
     href = host + url[i]
     print ('保存第' + str(i+1) + '个页面' + href)

    saveCon(href, 'e:\\book')
  
#--------------------------
def showList(list, host):
   #获取text
   res = r'(.*?)'
   t =  re.findall(res, list, re.S|re.M)

   #获取href
   res_url = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"
   h = re.findall(res_url, list, re.I|re.S|re.M)
 
   showCon(host + h[0])  
   #for i in range(len(t)):
   #  showCon (host + h[i])


#--------------------------
def main():
   url = 'http://www.mengxi.net/book/263745/index.html'
   i = url.index('/', 7)
   host = url[0 : i]
   #print ('分析' + url)
   html = openUrl(url)
   if len(html) > 0:
      tag = '正文'
      list = getCon(html, tag)
     #printList(list, host)
     #showList(list, host)
      h = getListHref(list, host)
     print('共有' + str(len(h)) + '个页面')
     saveBook(h, host)

main()

代码运行结果如下:

 在Python中调用Windows的应用程序还是很方便的。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

紫郢剑侠

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值