用python 写了一个wordpress 的采集程序

最新推荐文章于 2023-02-15 15:28:20 发布

weixin_34123613

最新推荐文章于 2023-02-15 15:28:20 发布

阅读量291

点赞数

文章标签： python php 爬虫

原文链接：http://blog.51cto.com/yaozb/589153

版权

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('<font[^>]*>(.*?)<\/font><font[^>]*')
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('<font[^>]*>(.*?)<\/font> <font[^>]*') # 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。

转载于:https://blog.51cto.com/yaozb/589153