python 新浪博客_使用python下载新浪博客

7个月前的一篇todo-list：一个下载新浪博客工具的to-do list

今天终于可以说是完工了。

主要的技术点：

使用urllib和urllib2获取网页内容

使用BeautifulSoup和re来解析网页内容

编码思路：

一、获取博文列表

我想要下载的目标博客：缠中说禅的博客

分析此博客，发现点击“博客目录”后可获取较调理的信息：

屏幕快照 2015-09-08 上午12.07.51.png

屏幕快照 2015-09-08 上午12.12.39.png

发现以下几点：

左侧有博文分类，可通过此处获取感兴趣的分类

下方有当前分类的所有博文所占的页数，可通过此处获得总工作量

class Spider:

def __init__(self, indexUrl):

self.indexUrl = indexUrl

content = indexUrl.split('/')[-1].split('_')

self.userID = content[1]

self.defaultPage = self.getPage(self.indexUrl)

def getPage(self, indexUrl):

'''获取indexUrl页面'''

request = urllib2.Request(indexUrl)

response = urllib2.urlopen(request)

return response.read().decode('utf-8')

def getPageNum(self,page):

'''计算有几页博客目录'''

pattern = re.compile('

', re.S)

result = re.search(pattern, page)

if result:

print u"目录有多页，正在计算……"

pattern2 = re.compile(u'

.*?>共(.*?)页', re.S)

num = re.search(pattern2, page)

pageNum = str(num.group(1))

print u"共有", pageNum, u"页"

else:

print u"只有1页目录"

pageNum = 1

return int(pageNum)

博客目录的URL(http://blog.sina.com.cn/s/articlelist_1215172700_0_1.html)，

其中1215172700是用户ID，后面的0表示第一个分类“全部博文”，最后的1表示是次分类的第1页。

在Spider类初始化时将此URL解析，并传入getPage函数中，获取网页HTML。

在之后解析每篇博客内容时，re就无能为力了，我只好去使用BeautifulSoup，但是在前期我却是参考别的文章使用了正则表达。

在getPageNum函数中使用re来获取了当前分类的总页数。

然而我们刚开始的时候并不知道要选择哪个分类，所以要将这些信息显示出来供用户选择。

def getTypeNum(self):

'''计算有几种分类'''

pattern = re.compile('.*?(.*?).*?(.*?)', re.S)

result = re.findall(pattern, self.defaultPage)

pattern2 = re.compile(u'全部博文.*?(.*?)', re.S)

result2 = re.search(pattern2, self.defaultPage)

self.allType = {}

i = 0

self.allType[i] = (self.indexUrl, u"全部博文", result2.group(1)[1:-1])

for item in result:

i += 1

self.allType[i] = (item[0], item[1], item[2][1:-1])

print u"本博客共有以下", len(self.allType), "种分类："

for i in range(len(self.allType)):

print "ID: %-2d Type: %-30s Qty: %s" % (i, self.allType[i][1], self.allType[i][2])

依然是使用re。在该函数中获取各分类对应的URL。

现在的流程梳理下就是这样的：

程序获取所有的博文分类

用户选择感兴趣的分类

程序获取该分类的URL和页数

程序获取并解析每篇文章(下一章)

二、解析文章

首先会根据分类和页数，得到具体某一页的博文列表的URL。具体规则上面已提到。然后需要将此页中的所有博客的URL解析出来。

def getBlogList(self,page):

'''获取一页内的博客URL列表'''

pattern = re.compile('

.*? (.*?)', re.S)

result = re.findall(pattern, page)

blogList = []

for item in result:

blogList.append((item[0], item[1].replace(' ', ' ')))

return blogList

依然是使用re。

def mkdir(self,path):

isExist = os.path.exists(path)

if isExist:

print u"名为", path, u"的文件夹已经存在"

return False

else:

print u"正在创建名为", path, u"的文件夹"

os.makedirs(path)

def saveBlogContent(self,path,url):

'''保存url指向的博客内容'''

page = self.getPage(url)

blogTool = sinaBlogContentTool(page)

blogTool.parse()

filename = path + '/' + blogTool.time + ' ' + blogTool.title.replace('/', u'斜杠') + '.markdown'

with open(filename, 'w+') as f:

f.write("URL: "+url)

f.write("标签：")

for item in blogTool.tags:

f.write(item.encode('utf-8'))

f.write(' ')

f.write('\n')

f.write("类别：")

f.write(blogTool.types.encode('utf-8'))

f.write('\n')

picNum = 0

for item in blogTool.contents:

if item[0] == 'txt':

f.write('\n')

f.write(item[1].encode('utf-8'))

elif item[0] == 'img':

f.write('\n')

f.write('')

picNum += 1

print u"下载成功"

接下来就是解析博客，保存内容至本地。其中创建文件名时需要注意“/\”此类符号，我的做法是将符号变为文字“斜杠”。

优于解析博客内容较为复杂，我创建一个class专门解析。

屏幕快照 2015-09-08 上午12.45.48.png

首先观察某篇博文，发现有以下几类关键信息：

博文题目：太对不起了，被坐骨神经折腾了一晚。

发表日期：2008-08-30 19:14:19

博文标签：缠中说禅 健康

博文分类：缠中说禅

博文本身：。。。。。。。。。。

由于博文较为复杂，只能使用BeautifulSoup进行解析。参考eautiful Soup 4.2.0 文档。

以上1至4均使用find函数：

find( name , attrs , recursive , text , **kwargs )

由于此4类的标签(tag)中的属性(attribute)较为特殊，所以均以此搜索。

class sinaBlogContentTool:

def __init__(self,page):

self.page = page

def parse(self):

'''解析博客内容'''

soup = BeautifulSoup(self.page)

self.title = soup.body.find(attrs = {'class':'titName SG_txta'}).string

self.time = soup.body.find(attrs = {'class':'time SG_txtc'}).string

self.time = self.time[1:-1]

print u"发表日期是：", self.time, u"博客题目是：", self.title

self.tags = []

for item in soup.body.find(attrs = {'class' : 'blog_tag'}).find_all('h3'):

self.tags.append(item.string)

self.types = u"未分类"

if soup.body.find(attrs = {'class' : 'blog_class'}).a:

self.types = soup.body.find(attrs = {'class' : 'blog_class'}).a.string

self.contents = []

self.rawContent = soup.body.find(attrs = {'id' : 'sina_keyword_ad_area2'})

for child in self.rawContent.children:

if type(child) == NavigableString:

self.contents.append(('txt', child.strip()))

else:

for item in child.stripped_strings:

self.contents.append(('txt', item))

if child.find_all('img'):

for item in child.find_all('img'):

if(item.has_attr('real_src')):

self.contents.append(('img', item['real_src']))

博文本身比较复杂，因为不仅包含文字，还有图片。所以使用children属性，可以遍历Tag或BeautifulSoup对象的子项。

如果子项为NavigableString对象(即为字符串)，则直接保存它本身。

否则，使用stripped_strings属性，将子项中的所有NavigableString对象均保存下来。同时，判断该子项中是否有属性为‘img’的Tag对象，若有，则取该Tag的real_src属性保存下来。

这样文字和图片都获取到了。

最后，在Spider类中使用run函数将以上内容都串起来：

def run(self):

self.getTypeNum()

i = raw_input(u"请输入需要下载的类别ID(如需要下载类别为“全部博文”类别请输入0):")

page0 = self.getPage(self.allType[int(i)][0])

pageNum = self.getPageNum(page0)

urlHead = self.allType[int(i)][0][:-6]

typeName = self.allType[int(i)][1]

typeBlogNum = self.allType[int(i)][2]

if typeBlogNum == '0':

print u"该目录为空"

return

self.mkdir(typeName)

for j in range(pageNum):

print u"------------------------------------------正在下载类别为", typeName, u"的博客的第", str(j+1), u"页------------------------------------------"

url = urlHead + str(j+1) + '.html'

page = self.getPage(url)

blogList = self.getBlogList(page)

print u"本页共有博客", len(blogList), u"篇"

for item in blogList:

print u"正在下载博客《", item[1], u"》中……"

self.saveBlogContent(typeName, item[0])

print u"全部下载完毕"

以下是成果展示：

屏幕快照 2015-09-08 上午1.03.03.png