#爬取https://blog.csdn.net/首页所有文章到本地
import re
import os
import urllib.request
import urllib.error
#设置用户浏览器代理
header=("User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3641.400 QQBrowser/10.4.3284.400")
opener=urllib.request.build_opener()
opener.addheaders=[header]
#将header设置为全局
urllib.request.install_opener(opener)
url="https://blog.csdn.net/"
data=opener.open(url).read().decode("utf-8")
pat='''data-track-click='{"mod":"popu_459","con":",(.*?),'''
blogurl=re.compile(pat).findall(data)
#通过列表变为元组在变为列表的方式来进行除重
blogurl=list(set(blogurl))
#获取的链接数
pagesnum=len(blogurl)
#指定本地存放目录
localpath="C:\\Users\\gaoxingyuan\\Desktop\\cndnblog\\"
#如果没有这个目录则创建该目录
if not os.path.exists(localpath):
os.mkdir(localpath)
print("该页面一共有"+str(pagesnum)+"篇文章")
#匹配每篇文章题目的正则表达式
pat2='''"keyword":"(.*?)"}'>'''
for i in range(0,len(blogurl)):
try:
thislink=blogurl[i]
#获取文章标题
data2=urllib.request.urlopen(thislink).read().decode("utf-8")
name=re.compile(pat2).findall(data2)
#下载该链接到本地
urllib.request.urlretrieve(thislink,localpath+str(name)+".html")
#给文件重命名
print("第"+str(i+1)+"/"+str(pagesnum)+"篇文章已成功爬取到本地......"+"\n")
except Exception as e:
print("第"+str(i+1)+"/"+str(pagesnum)+"下载失败\n原因是:"+str(e))
爬取CSDN博客首页的文章
最新推荐文章于 2024-08-03 20:32:40 发布