爬CSDN博客

import urllib.request,re,time,random,gzip
from bs4 import BeautifulSoup
def savefile(data,idx):
    path='d:\\u\\o_'+str(idx+1)+'.txt'
    file=open(path,'wb')
    page='当前页:'+str(idx+1)+'\n'
    file.write(page.encode('gbk'))
    for d in data:
        d=str(d)+'\n'
        file.write(d.encode('gbk'))
    file.close()
def ungzip(data):
    try:
        data=gzip.decompress(data)
    except:
        print('没解压')
    return data
class csdnspider:
    def __init__(self,pageidx=1,url="http://blog.csdn.net/fly_yr/article/list/1"):
        self.pageidx=pageidx
        self.url=url[0:url.rfind('/')+1]
        self.headers = {
            "Connection": "keep-alive",
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 "  
            "(KHTML, like Gecko) Chrome/51.0.2704.63 Safari/537.36",  
            "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",  
            "Accept-Encoding": "gzip, deflate, sdch",  
            "Accept-Language": "zh-CN,zh;q=0.8",  
            "Host": "blog.csdn.net"  
        }  
    def getpages(self):
        req=urllib.request.Request(url=self.url,headers=self.headers)
        res=urllib.request.urlopen(req)
        data=res.read()
        dat=ungzip(data)
        data=dat.decode('utf-8')
        soup=BeautifulSoup(data,'html5lib')
        tag=soup.find('div',"pagelist")
        pagedata=tag.span.get_text()
        pagesNum=re.findall(r'共(.*?)页',pagedata)[0]
        return pagesNum
    #def setpage(self,idx):
     #   self.url=self.url[0:self.url.rfind('/')+1]+str[idx]
    def setpage(self,idx):
        self.url = self.url[0:self.url.rfind('/')+1]+str(idx)
    def readData(self):
        ret=[]
        req=urllib.request.Request(url=self.url,headers=self.headers)
        res=urllib.request.urlopen(req)
        data=res.read()
        dat=ungzip(data)
        data=dat.decode('utf-8')
        soup=BeautifulSoup(data,'html5lib')
        items=soup.find_all('div',"list_item article_item")
        
        for item in items:
            title=item.find('span',"link_title").a.get_text()
            link=item.find('span',"link_title").a.get('href')
            writetime=item.find('span',"link_postdate").get_text()
            readers=item.find('span',"link_view").get_text()
            comments=item.find('span',"link_comments").get_text()
            ret.append('日期:'+writetime+'\n标题'+title+'\n链接'+link+'\n阅读'+readers+'\t评论'+comments+'\n')
        return ret
cs=csdnspider()
pagesNum=int(cs.getpages())
print('总页数:',pagesNum)
for idx in range(pagesNum):
    cs.setpage(idx)
    print('当前页',idx+1)
    papers=cs.readData()
    savefile(papers,idx)
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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