python简单爬取某网站python教程内容

最新推荐文章于 2024-05-12 16:44:53 发布

mynd天堂

最新推荐文章于 2024-05-12 16:44:53 发布

阅读量1.1k

点赞数 1

分类专栏： python 文章标签： python 爬虫

本文链接：https://blog.csdn.net/gaoapp/article/details/60085877

版权

python 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

一般的小白python新手可能都知道廖雪峰网站吧。由于自己也是个小白，所以就想能不能将该教程爬取下来呢。说做就做。好了不多说，直接上代码：

#coding:utf-8
#autor:myndtt
import urllib2
import requests
import os
import multiprocessing
import sys
from bs4 import BeautifulSoup
from lxml import etree
import pdfkit

reload(sys)
sys.setdefaultencoding('utf-8')

url='http://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000'

def geturl(url):
 article = []
 try:
   re=urllib2.urlopen(url).read()
   selector=etree.HTML(re)
   content=selector.xpath('//*[@id="main"]/div/div/div/div/div/ul/li/a/@href')
   for each in content:
     article.append('http://www.liaoxuefeng.com'+each.strip())
 except urllib2.HTTPError as e:
            pass
 return article
def gethtml():
     text=u'<h1>廖雪峰Python教程<h1>'+u'<br>'
     a=1
     re=urllib2.urlopen(url).read()
     selector=etree.HTML(re)
     conten=selector.xpath('//*[@id="main"]/div/div/div/div/div/ul/li/a/text()')
   #获取目录
     for con in conten:        
      text=text+u'<h2>'+unicode(a)+u':'+unicode(con)+u'<h2>'+u'<br>'
      a=a+1
     return text
def getothers(urllist):
     n = 0
     text=gethtml()
     pool = multiprocessing.Pool(multiprocessing.cpu_count())
     #获取每份网页要的东西
     for ur in urllist:
        n=n+1        
        m=pool.apply_async(getpage,(ur,n,)).get()
        text=text+unicode(m)
        #提示打印的页数
        print n
     pool.close()
     pool.join()
     file = open("pdf.html", "a")
     file.write(u'<html><head><meta charset="UTF-8"></head><body>' + unicode(text) + u'</body></html>')
     pdfcreate()
     print "ok!!!"
#实际获取每份网页要的
def getpage(ur,n):
            page=u''            
            rep=urllib2.urlopen(ur).read()
            soup=BeautifulSoup(rep,"lxml",from_encoding='utf8')
            sou=soup.find("div",{"class":"x-wiki-content"})
            smu=soup.find("h4").get_text()
            page=page+u'<h2>'+unicode(n)+u':'+unicode(smu)+u'</h2>'
            #找到img标签 将其src属性值补全
            so=sou.find_all("img")
            for s in so:
               if str(s).find("http:")== -1:
                  sou=unicode(sou).replace(s.get('src'),'http://www.liaoxuefeng.com'+s.get('src'))
            page=page+unicode(sou)
            return unicode(page)
    
 #打印成pdf（其实可有可无）
def pdfcreate():
    path_wkthmltopdf = r'C:\Windows\System32\wkhtmltopdf.exe'
    config = pdfkit.configuration(wkhtmltopdf=path_wkthmltopdf)
    pdfkit.from_url("pdf.html", "hello.pdf", configuration=config)  
                            
if __name__=='__main__':
    urllis=geturl(url)
    getothers(urllis)

其实这是大半年前写的代码，写的有点糟糕，同时用了xpath和beautifulsoup，真是汗颜，也懒的改了（哈哈）。

本博客仅记录一下自己学习生活，如不胜对大家有点借鉴作用，也是极好的。

mynd天堂

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
python简单爬取某网站python教程内容

一般的小白python新手可能都知道廖雪峰网站吧。由于自己也是个小白，所以就想能不能将该教程爬取下来呢。说做就做。好了不多说，直接上代码：#coding:utf-8#autor:myndttimport urllib2import requestsimport osimport multiprocessingimport sysfrom bs4 import BeautifulS
复制链接

扫一扫