csdn博客之python_CSDN博客专栏文章批量下载脚本[python实现]

最近发现CSDN的blog专栏还是很给力的，毕竟这是一整个系列的文章，学习某方面知识比较容易形成体系，而且前人的经验还是相当有参考价值的。

原先也开了两个，只是工作比较忙，加之lz比较懒，所以没啥人气，囧。

最近看书之余，也会去看看别人的专栏，虽然你看或不看，文章就在那里，但是不能上网的时候还是很蛋疼的

so，花了一个小时，写了个python脚本，只需要填下专栏文章列表某一页url【注意不是文章页面，是列表页面】，就能将整个专栏文章端下来。

分享之，想下整个系列文章的同学动手吧。

目前在win7 + py2.7测试通过，要有python环境哈，linux的同学需dos2unix处理下。

木有python环境的，下个吧，2.7，装一下很快的http://www.python.org/

PS.有很多坑，但是下大部分专栏还是没问题的(譬如文件名存在非法字符暂未处理)，没异常处理，都怎么简单怎么来

发现坑的话希望能发我，逐步改进，后续有空的话搞掉python环境依赖&增加图形界面

--------------------------------------------------------------------------------------------------

实现思路：

1.到专栏列表页，正则匹配到最后一页的url

2.生成每页url列表，从第一页到最后一页的url

3.抓每一页，正则匹配到列表页里面文章标题和文章地址

4.下载之

木有python的同学可以用其他语言搞下

---------------------------------------------------------------------------------------------------

使用方法：

1.打开专栏的列表页面，拉到url

图示1：不带页码的(文章太少，就是所有文章列表都木有翻页)，以下这个是lz的，o(╯□╰)o

图示2：带页码的  (文章很多，分页了，放心，随便哪页都行，整个系列全端下来)

2.复制url，修改脚本里line 68行，修改first_url变量

3.开始->运行->cmd

cd到脚本所在位置

有配置环境变量的，直接 python download_column.py

没有配置环境变量的，使用 C:\Python27\python.exe download_column.py   【这里路径是装环境时的】

4.过程图：

5.结果：

#version 0.1 基本功能

下载地址:  http://www.kuaipan.cn/file/id_43019534898112640.html

#version 0.2  A.修复下载文章中存在非法字符bug B.独立函数，可以批量配置下载C.已下载不会二次下载

下载地址：http://www.kuaipan.cn/file/id_43019534898113708.html

配了一堆，下完了，甚是壮观.................

附上脚本源码：

#!/usr/bin/env python

#-*- coding:utf-8 -*-

#@Author: wklken

#@Mail: wklken@yeah.net

#@Date: 20120807

#@version 0.1

#@desc: base function to download csdn column!

print "begin...."

import urllib2,socket

import re

import os,sys

#该页最后一个中文链接，尾页

p2first = re.compile(ur'下一页 尾页') #html?page=\d+

p2detail = re.compile(ur'(.*)')

p2title = re.compile(ur'

专栏：(.*) - 博客频道 - CSDN.NET')

p2titlereplace = re.compile(r'[\/:*?"<>|]')

def find_url_prefix_maxpage_title(content):

title = p2title.findall(content,re.X)

l = p2first.findall(content,re.X)

if l and len(l[0].split("=")) == 2: #存在多页

return True,l[0].split("="),title[0]

else:

return False,(None,None),title[0]

def get_request(url):

#设置超时

socket.setdefaulttimeout(60)

#可以加入请求头信息，以便识别

i_headers = {"User-Agent": "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.1) Gecko/20090624 Firefox/3.5",

"Accept": "text/plain"}

req = urllib2.Request(url, headers=i_headers)

content = ""

try:

page = urllib2.urlopen(req)

#print page.geturl()

#print page.info().getplist()

content = page.read().decode("utf-8")

except urllib2.HTTPError, e:

print "Error Code:", e.code

except urllib2.URLError, e:

print "Error Reason:", e.reason

return content

def gen_urls(url_prefix, max_page):

for i in range(1,max_page+1):

yield url_prefix + "=" + str(i)

def download_pages(url, dir_path):

content = get_request(url)

l = p2detail.findall(content,re.X)

#print l,len(l),l[0]

for (detail_url, title) in l:

print "Downloading: ",title,detail_url

title, num = p2titlereplace.subn("-",title)

path = dir_path + os.sep + title + ".html"

if not os.path.exists(path): #只下载新文章，不过老文章修改无法下到，要想全部更新，可以去掉if

f = open(path,"w")

f.write(get_request(detail_url).encode("utf-8"))

f.close()

def get_down(first_url):

content = get_request(first_url)

multi_page,(url_prefix, max_apge), title = find_url_prefix_maxpage_title(content)

print title

title, num = p2titlereplace.subn("-",title)

dir_path = "./"+title

if not os.path.exists(dir_path):

os.mkdir(dir_path)

if multi_page:

for url in gen_urls(url_prefix, int(max_apge)):

print url

download_pages("http://blog.csdn.net" + url, dir_path)

else:

download_pages(first_url, dir_path)

if __name__ == '__main__':

#first_url = "http://blog.csdn.net/column/details/novelnorains.html?page=4"

# first_url = "http://blog.csdn.net/column/details/wklken4ds-alg-py.html"

# get_down(first_url)

# sys.exit(0)

urls = [

"http://blog.csdn.net/column/details/wklken4ds-alg-py.html", #数据结构和算法python实现,未完

"http://blog.csdn.net/column/details/wklken4linux.html", #linux新手生存笔记，未完

]

for first_url in urls:

get_down(first_url)

就这些

懒得动了，歇了

wklken

2012-08-07