python写采集程序_用python写的一个wordpress的采集程序

在学习python的过程中，经过不断的尝试及努力，终于完成了第一个像样的python程序，虽然还有很多需要优化的地方，但是目前基本上实现了我所要求的功能，先贴一下程序代码：

具体代码如下:

#! /usr/bin/python

import os,urllib2,re,time,MySQLdb,sys

reTitle = re.compile(']*>(.*?)]*')

reNeiron = re.compile('[1-9|A-Z|a-z].*')

retiqu = re.compile('^(?!MARGINWIDTH|BR).*.[^>|}]$')

rezhong = re.compile('^[^[].*')

shijian=1190944000

Str1="\\n---------------- BLOG OF YAO"

bianhao=2859

for i in range(1,1500):

Str2=""

ltime=time.localtime(shijian)

timeStr=time.strftime("%Y%m%d",ltime)

url="http://www.jokeswarehouse.com/cgi-bin/viewjoke2.cgi?id=%s" %timeStr

print url

a=urllib2.urlopen(url).read()

Title=reTitle.findall(a)

print "=========================================================================================================="

for titles in map(None,Title):

titles=MySQLdb.escape_string(titles)

print titles

Neiron=re.findall(reNeiron,a)

for i in map(None,Neiron):

x=re.findall(retiqu,i)

for str in x:

str=MySQLdb.escape_string(str)

Str2 += str+"\\n"

shijian += 86400

bianhao += 1

try:

conn=MySQLdb.connect("XXXX.XXXX.XXXX.XXXX","user","passwd","dbname",charset="utf8", init_command="set names utf8")

except MySQLdb.OperationalError,message:

print "like error"

cursor=conn.cursor()

sql="INSERT INTO wp_posts (post_author,post_date,post_date_gmt,post_content,post_content_filtered,post_title,post_excerpt,post_status,post_type,comment_status,ping_status,post_password,post_name,to_ping,pinged,post_modified,post_modified_gmt,post_parent,menu_order,guid) VALUES (\'1\',\'2011-06-01 22:12:25\',\'2011-05-09 04:12:25\',\'\',\'\',\'Auto Draft\',\'\',\'inherit\',\'revision\',\'open\',\'open\',\'\',\'100-revision\',\'\',\'\',\'2011-06-01 22:12:25\',\'2011-05-09 04:12:25\',\'%s\',\'0\',\'\')" %bianhao

sql2="UPDATE wp_posts SET post_author = 1, post_date = \'2011-06-01 22:12:25\', post_date_gmt = \'2011-06-01 22:12:25\', post_content =\'%s\', post_content_filtered = \'\', post_title = \'%s\', post_excerpt = \'\', post_status = \'publish\', post_type = \'post\', comment_status = \'open\', ping_status = \'open\', post_password = \'\', post_name = \'%s\', to_ping = \'\', pinged = \'\', post_modified = \'2011-06-01 22:12:25\', post_modified_gmt = \'2011-05-09 04:12:30\', post_parent = 0, menu_order = 0, guid = \'http://www.moncleronlineshops.com/?p=%s\' WHERE ID = %s" %(Str2,titles,titles,bianhao,bianhao)

cursor.execute(sql)

cursor.execute(sql2)

cursor.close()

conn.close()

sys.exit()

下面，我们来给代码加些注释，让读者能看的更明白一些，如下：

具体代码如下

#! /usr/bin/python

import os,urllib2,re,time,MySQLdb,sys #加载本程序需要调用的相模块

reTitle = re.compile(']*>(.*?) ]*') # 定义一下取文章标题的正则

reNeiron = re.compile('[1-9|A-Z|a-z].*')

#定义一个取提取文章内容的正则(注：这里提取出来的不是很精细，需要在下面的正则里，再进行提取，这里只是取一个大概)

retiqu = re.compile('^(?!MARGINWIDTH|BR).*.[^>|}]$')

#这里定义一个正则，将上面reNeiron提取出来的字符，再进行细化。

shijian=1190944000 #这里字义了一个时间戳，

Str1="\\n---------------- BLOG OF YAO" #这个没用，开始是准备加到文章里的，后来没加进去。

bianhao=2859 #这里是wordpress 的文章编号，直接查看wp-posts表的id 字段的最后一个数字。

for i in range(1,1500): #循环1500遍，也就是采集1500篇文章。

Str2="" #先赋值给Str2 空值

ltime=time.localtime(shijian)

timeStr=time.strftime("%Y%m%d",ltime) #这两句将上面的时间戳改为时间，样式为19700101这样的格式

url="http://www.jokeswarehouse.com/cgi-bin/viewjoke2.cgi?id=%s" %timeStr #定义要采集的网站，将转化后的时间放在这个url的最后。

a=urllib2.urlopen(url).read() #将这个网页的源代码读出来，赋值给a;

Title=reTitle.findall(a)

#使用 reTitle这个正则提取出标题

print "=========================================================================================================="

for titles in map(None,Title): #上面提取出来的标题前后都有一个 []

所以我们要写个for循环把前后的[]去掉，并转义成能直接插入mysql库的格式。

titles=MySQLdb.escape_string(titles)

Neiron=re.findall(reNeiron,a) #先用reNeiron，取个大概的内容模型出来。这些都是以逗号分隔的数组。

for i in map(None,Neiron): # 我们来循环读出Neiron这个数组里的每个值。

x=re.findall(retiqu,i)#并用 retiqu这个正则提出精细出的内容。

for str in x:

str=MySQLdb.escape_string(str)

Str2 += str+"\\n"

#利用这个循环，我们把内容加到一起，并赋值给Str2这个变量，这个　Str2这个变量就是所有的文章内容。

shijian += 86400 #每循环一次，就把shijian这个变量加上一天。

bianhao += 1 #每循环一次，就把bianhao这个变量加上一

try:

#下面是用mysqldb连接数据库，并尝试连接是否成功。 conn=MySQLdb.connect("XXXX.XXXX.XXXX.XXXX","user","passwd","dbname",charset="utf8", init_command="set names utf8")

except MySQLdb.OperationalError,message:

print "like error"

cursor=conn.cursor()

#下面是插入wordpress数据库的两条语句，我是从mysqlbinlog里面导出来的，测试是可以插入数据库，并能正常把内容显示在网页的。变量都写在这两条语句里。

sql="INSERT INTO wp_posts (post_author,post_date,post_date_gmt,post_content,post_content_filtered,post_title,post_excerpt,post_status,post_type,comment_status,ping_status,post_password,post_name,to_ping,pinged,post_modified,post_modified_gmt,post_parent,menu_order,guid) VALUES (\'1\',\'2011-06-01 22:12:25\',\'2011-05-09 04:12:25\',\'\',\'\',\'Auto Draft\',\'\',\'inherit\',\'revision\',\'open\',\'open\',\'\',\'100-revision\',\'\',\'\',\'2011-06-01 22:12:25\',\'2011-05-09 04:12:25\',\'%s\',\'0\',\'\')" %bianhao

sql2="UPDATE wp_posts SET post_author = 1, post_date = \'2011-06-01 22:12:25\', post_date_gmt = \'2011-06-01 22:12:25\', post_content =\'%s\', post_content_filtered = \'\', post_title = \'%s\', post_excerpt = \'\', post_status = \'publish\', post_type = \'post\', comment_status = \'open\', ping_status = \'open\', post_password = \'\', post_name = \'%s\', to_ping = \'\', pinged = \'\', post_modified = \'2011-06-01 22:12:25\', post_modified_gmt = \'2011-05-09 04:12:30\', post_parent = 0, menu_order = 0, guid = \'http://www.moncleronlineshops.com/?p=%s\' WHERE ID = %s" %(Str2,titles,titles,bianhao,bianhao)

cursor.execute(sql)

cursor.execute(sql2) #连接数据库并执行这两条语句。

cursor.close()

conn.close() #关闭数据库。

sys.exit()

上面是程序的代码，采集的是：www.jokeswarehouse.com 的一个笑话网站。通过 python 的 re 模块，也就是正则匹配模块，运行相应的正则表达式，进行过滤出我们所需要的标题和文章内容，再运用 python 的mysqldb 模块，进行连接数据库，利用相应的插入语句，进行插入数据库。

本文标题: 用python写的一个wordpress的采集程序

本文地址: http://www.cppcns.com/jiaoben/python/143529.html