闲话:
一位前辈告诉我大学期间要好好维护自己的博客,在博客园发布很好,但是自己最好也保留一个备份。
正好最近在学习python,刚刚从py2转到py3,还有点不是很习惯,正想着多练习,于是萌生了这个想法——用爬虫保存自己的所有文章
在查了一些资料后,慢慢的有了思路。
正文:
有了上面的思路后,编程就不是问题了,就像师傅说的,任何语言,语法只是很小的一部分,主要还是编程思想。于是边看语法,边写程序,照葫芦画瓢,也算实现了既定的功能:
1、现在py文件同目录下创建一个以博主名字为名的文件夹,用来存放爬取的所有文章。
2、暂时先保存成TXT文件,这个比较容易。但是缺点是无法保存图片。后面在学习直接转成PDF。
3、爬取完成后提醒我你爬取了多少片文章。
要懒就懒到位,最好不要让我动一下手就自动爬取所有文章,但是。。。。还是要看一下自己的文章目录的url吧、看一下自己有多少页目录吧,然后这两个参数填进去之后,就完美了。
提示:使用chrome浏览器,在chrome下:先按F12进入开发者模式,在网页上右键选中一块区域,然后选择【检查】,在右侧即可查看对应的HTML程序。
主要函数的实现:
1、获取所有文章的url:
defget_urls(url,pages):"""获取所有目录下的所有文章url
:param url: 某一页目录的url,去掉最后的数字
:param pages: 一共需要爬取的页数
:return: 返回所有文章url的列表"""total_urls=[]for i in range(1,pages+1): #根据一个目录的url找到所有目录
url_temp= url +str(i)
html= get_html(url_temp) #获取网页源码
title_pattern= re.compile(r'',re.S) #文章url正则表达式
url_temp2= re.findall(title_pattern,html) #找到一个目录中所有文章的网址
for _url inurl_temp2:
total_urls.append(_url)#所有文章url放在一起
return total_urls
关于正则表达式的选择:这是我目录中的两篇文章标题的HTML程序:
可以发现,都在一对a标签下,class属性为:"postTitle n",其href属性就是文章的url网址。
所以正则表达式可以写为:re.compile(r'',re.S)
最后调用append方法,将所有文章的url放在一个list列表里面。
2、获取文章标题:
defget_title(url):"""获取对应url下文章的标题,返回标题
:param url:
:return:"""html_page=get_html(url)
title_pattern= re.compile(r'()(.*)()')
title_match=re.search(title_pattern,html_page)
title= title_match.group(2)return title
这个也很简单,检查元素我们可以发现:
与上面一样,这个正则表达式可以选择:re.compile(r'()(.*)()')
然后保留其第二个分组就是文章标题。
3、获取正文:
defget_body(url):"""获取url下文章的正文内容
:param url:
:return:"""html_page=get_html(url)
soup= BeautifulSoup(html_page,'html.parser') #HTML文档解析器
div = soup.find(id = "cnblogs_post_body")return div.get_text()
使用BeautifulSoup模块,创建一个对象,然后使用 soup.find()方法,搜索ID为 "cnblogs_post_body"的标签,返回标签内的文档内容。
4、下载单个文件:
defsave_single_file(url):"""首先在py文件同目录下创建一个以博主名字为名的文件,用来存放爬取的所有文章
将文章正文保存在txt文件中,名字为文章标题
有些文章的标题可能不适合直接作为txt文件名,我们可以忽略这些文章
:param url:
:return:"""
global article_count #使用全局变量,需要在函数中进行标识
title =get_title(url)
body=get_body(url)#获取当前目录文件,截取目录后,并自动创建文件
FILE_PATH = os.getcwd()[:-0]+author+'_''text\\'
if notos.path.exists(FILE_PATH):
os.makedirs(FILE_PATH)try:
filename= title + '.txt'with open('D:\learning python\coding_python3.6\cnblog\\Andrew_text\\'+filename,'w',encoding='utf-8') as f:
f.write(body)#正文写入文件
article_count+= 1 #计数变量加1,统计总的下载文件数
except:pass
print(title+"file have saved...") #提示文章下载完毕
对于 os.getcwd()方法,
如果a.py文件存放的路径下为:D:\Auto\eclipse\workspace\Testhtml\Test
通过os.getcwd()获取的路径为:D:\Auto\eclipse\workspace\Testhtml\Test
使用os.getcwd()[:-4]截取到的路径为:D:\Auto\eclipse\workspace\Testhtml\ ,注意这个-4是在当前目录字符串下,向前截取4个字符后的目录。不想截取的话,直接省略数字,但是要有 [:]
使用下面的命令则在3步骤下新建文件夹,名为:变量author_text:
#获取当前目录文件,截取目录后,并自动创建文件
FILE_PATH = os.getcwd()[:-0]+author+'_''text\\'
if notos.path.exists(FILE_PATH):
os.makedirs(FILE_PATH)
5、最终下载:
defsave_files(url,pages):"""调用单个文件保存函数,循环保存所有文件
:param url:传入任意一个目录的url,但是要注意去掉最后的数字。
:return:"""total_urls=get_urls(url,pages)print("get all the urls..."+'\n')print(total_urls) #获取的文章url正确
for urls intotal_urls:
save_single_file(urls)#输出下载的总文章数
print('\n' + "total article count is :%d"%article_count)
运行结果:
参考资料: