个人中心
gpt4 book ai didi

python实现批量下载新浪博客的方法

转载 作者：qq735679552 更新时间：2022-09-29 22:32:09 26 4
gpt4 key购买 nike

CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章python实现批量下载新浪博客的方法由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

本文实例讲述了python实现批量下载新浪博客的方法。分享给大家供大家参考。具体实现方法如下:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
# coding=utf-8
import urllib2
import sys, os
import re
import string
from BeautifulSoup import BeautifulSoup
def encode(s):
   return s.decode( 'utf-8' ).encode(sys.stdout.encoding, 'ignore' )
def getHTML(url):
   #proxy_handler = urllib2.ProxyHandler({'http':'http://211.138.124.211:80'})
   #opener = urllib2.build_opener(proxy_handler)
   #urllib2.install_opener(opener)
   req = urllib2.Request(url)
   response = urllib2.urlopen(req, timeout = 15 )
   return BeautifulSoup(response, convertEntities = BeautifulSoup.HTML_ENTITIES)
def visible(element):
   '''抓取可见的文本元素'''
   if element.parent.name in [ 'style' , 'script' , '[document]' , 'head' , 'title' ]:
     return False
   elif re.match( '<!--.*-->' , str (element)):
     return False
   elif element = = u '\xa0' :
     return False
   return True
def delReturn(element):
   '''删除元素内的换行'''
   return re.sub( '(?<!^)\n+(?!$)' , ' ' , str (element)).decode( 'utf-8' )
def validFilename(filename):
   # windows
   return re.sub( '[\/:*?<>"|\xa0]' , '', filename)
def writeToFile(text, filename, dirname):
   if not os.path.exists(dirname):
     os.makedirs(dirname)
     print encode( '保存到目录' ), dirname
   filename = validFilename(filename)
   print encode( '保存文章' ), filename
   path = os.path.join(dirname, filename)
   if not os.path.exists(path):
     f = open (path, 'w' )
     f.write(text)
     f.close()
   else :
     print filename, encode( '已经存在' )
def formatContent(url, title = ''):
   '''格式化文章内容'''
   page = getHTML(url)
   content = page.find( 'div' , { 'class' : 'articalContent' })
   art_id = re.search( 'blog_(\w+)\.html' , url).group( 1 )
   blog_name = page.find( 'span' , id = 'blognamespan' ).string
   if title = = '':
     title = page.find( 'h2' , id = re. compile ( '^t_' )).string
   temp_data = filter (visible, content.findAll(text = True )) # 去掉不可见元素
   temp_data = ''.join( map (delReturn, temp_data)) # 删除元素内的换行符
   temp_data = temp_data.strip() # 删除文章首尾的空行
   temp_data = re.sub( '\n{2,}' , '\n\n' , temp_data) # 删除文章内过多的空行
   # 输出到文件
   # 编码问题
   temp_data = '本文地址:' .decode( 'utf-8' ) + url + '\n\n' + temp_data
   op_text = temp_data.encode( 'utf-8' )
   op_file = title + '_' + art_id + '.txt'
   writeToFile(op_text, op_file, blog_name)
def articlelist(url):
   articles = {}
   page = getHTML(url)
   pages = page.find( 'ul' , { 'class' : 'SG_pages' }).span.string
   page_num = int (re.search( '(\d+)' , pages).group( 1 ))
   for i in range ( 1 , page_num + 1 ):
     print encode( '生成第%d页文章索引' % i)
     if i ! = 1 :
       url = re.sub( '(_)\d+(\.html)$' , '\g<1>' + str (i) + '\g<2>' , url)
       page = getHTML(url)
     article = page.findAll( 'span' , { 'class' : 'atc_title' })
     for art in article:
       art_title = art.a[ 'title' ]
       art_href = art.a[ 'href' ]
       articles[art_title] = art_href
   return articles
def blog_dld(articles):
   if not isinstance (articles, dict ):
     return False
   print encode( '开始下载文章' )
   for art_title, art_href in articles.items():
     formatContent(art_href, art_title)
if __name__ = = '__main__' :
   sel = raw_input (encode( '你要下载的是(1)全部文章还是(2)单篇文章，输入1或者2: ' ))
   if sel = = '1' :
     #articlelist_url = 'http://blog.sina.com.cn/s/articlelist_1303481411_0_1.html'
     articlelist_url = raw_input (encode( '请输入博客文章目录链接: ' ))
     articles = articlelist(articlelist_url)
     blog_dld(articles)
   else :
     #article_url = 'http://blog.sina.com.cn/s/blog_4db18c430100gxc5.html'
     article_url = raw_input (encode( '请输入博客文章链接: ' ))
     formatContent(article_url)

希望本文所述对大家的Python程序设计有所帮助.

最后此篇关于python实现批量下载新浪博客的方法的文章就讲到这里了,如果你想了解更多关于python实现批量下载新浪博客的方法的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。

26 4 0
文章推荐： python获取mp3文件信息的方法
文章推荐： python爬虫面试宝典(常见问题)
文章推荐： Python基于Flask框架配置依赖包信息的项目迁移部署
文章推荐： 谈谈python中GUI的选择
qq735679552
个人简介

我是一名优秀的程序员,十分优秀！

滴滴打车优惠券免费领取
滴滴打车优惠券
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com