利用Python编写网络爬虫下载文章

标签：style   blog   http   color   os   strong   

今天来讲如何利用Python爬虫下载文章，拿韩寒的博客为例来一步一步进行详细探讨。。。

韩寒的博客地址是：http://blog.sina.com.cn/s/articlelist_1191258123_0_1.html

可以看出左边是文章列表，而且不止一页，我们先从最简单的开始，先对一篇文章进行下载，再研究对一页所有的文

章进行下载，最后再研究对所有的文章下载。

第一步：对一篇文章下载

    我们打开韩寒的博客，然后查看源码，可以看出每一篇文章的列表源码为：

    href="http://www.mamicode.com/http://blog.sina.com.cn/s/blog_4701280b0102eck1.html">东望洋

    我们主要是想提取出中间绿色部分的URL，然后找到这篇文章的正文进行分析，然后提取进行下载。首先，假

    设已经得到这个字符串，然后研究如何提取这个URL，观察发现，对于所有的这类字符串，都有一个共同点，那

    就是都含有子串‘，那么我们可以用最笨的方式---查找子串进行定界。

    在Python中有一个方法叫做find()，是用来查找子串的，返回子串出现的位置，那么，可以用如下代码来提

    取URL，并读取文件和下载文件。

#encoding:utf-8
import urllib2

def getURL(str):
    start = str.find(r‘href=‘)
    start += 6
    end   = str.find(r‘.html‘)
    end   += 5
    url = str[start : end]
    return url

def getContext(url):
    text =urllib2.urlopen(url).read()
    return text

def StoreContext(url):
    content  = getContext(url)
    filename = url[-20:]
    open(filename, ‘w‘).write(content)

if __name__ == ‘__main__‘:
    str = ‘东望洋‘   
    url = getURL(str)
    StoreContext(url)

第二，三步：下载所有的文章

    在这一步中，我们要提取第一页所有的文章的URL和标题，不再采用上面第一步的find()函数，毕竟这个函数

    缺乏灵活性，那么采用正则表达式最好。

    首先采集数据，观察发现，所有文章的URL都符合

    这一规则，所以我们可以设置正则表达式

    r‘http://blog.sina\.com.\cn.+.\html)">‘

      这样就容易了，下面是爬取韩寒所有文章，并在本地保存为.html文件。

代码：

#coding:utf-8
import re
import urllib2

def getPageURLs(url):
    text = urllib2.urlopen(url).read()
    pattern = r‘‘
    regex = re.compile(pattern)
    urlList = re.findall(regex,text)
    return urlList

def getStore(cnt,url):
    text = urllib2.urlopen(url)
    context = text.read();
    text.close()
    filename = ‘HanhanArticle/‘+str(cnt) + ‘.html‘
    f = open(filename,‘w‘)
    f.write(context)
    f.close()
    
def getAllURLs():
    urls = []
    cnt = 0
    for i in xrange(1,8):
        urls.append(‘http://blog.sina.com.cn/s/articlelist_1191258123_0_‘+str(i)+‘.html‘)
    for url in urls:
        tmp = getPageURLs(url)
        for i in tmp:
            cnt += 1
            getStore(cnt,i)
    
if __name__ == ‘__main__‘:
    getAllURLs()

由于我把文章的标题用一个数字来命名，似乎不是很完美，还有两个问题没有解决，怎么提取文章的标题？，这是涉

及到中文提取，怎么把文章的内容提取出来保存为txt格式的文件？

如果能解决上面的两个问题，那么才算是真正地用网络爬虫技术实现了对韩寒博客的下载。

（1）提取文章的标题

   为了方便操作，我们用BeautifulSoup来分析网页，对html文本我们提取title之间的内容为

    东望洋_韩寒_新浪博客

   对这个强制转化为字符串，然后进行切片操作，大致取string[7 : -28]，得到了文章的标题。

from bs4 import BeautifulSoup
import re

for i in xrange(1,317):
    filename = ‘HanhanArticle/‘ + str(i) + ‘.html‘
    html = open(filename,‘r‘)
    soup = BeautifulSoup(html)
    html.close()
    title = soup.find(‘title‘)
    string = str(title)
    article = string[7 : -28].decode(‘utf-8‘)
    if article[0] != ‘.‘:
        print article

但是有些标题直接的内容还需要处理，比如<<ONE IS ALL>>，本来应该解释为《ONE IS ALL》

还有比如中央电视台很*很**，这里的**在文件中不能作为名称字符。

#coding:utf-8
import re
import urllib2
from bs4 import BeautifulSoup

def getPageURLs(url):
    text = urllib2.urlopen(url).read()
    pattern = r‘‘
    regex = re.compile(pattern)
    urlList = re.findall(regex,text)
    return urlList

def getStore(title,url):
    text = urllib2.urlopen(url)
    context = text.read();
    text.close()
    filename = ‘HanhanArticle/‘+ title + ‘.html‘
    f = open(filename,‘w‘)
    f.write(context)
    f.close()

def getTitle(url):
    html = urllib2.urlopen(url).read()
    soup = BeautifulSoup(html)
    title = soup.find(‘title‘)
    string = str(title)
    return string[7 : -28]

def Judge(title):
    lens = len(title)
    for i in xrange(0,lens):
        if title[i] == ‘*‘:
            return False
    return True
    
def getAllURLs():
    urls = []
    for i in xrange(1,8):
        urls.append(‘http://blog.sina.com.cn/s/articlelist_1191258123_0_‘+str(i)+‘.html‘)
    for url in urls:
        tmp = getPageURLs(url)
        for i in tmp:
            title = getTitle(i).decode(‘utf-8‘)
            print title
            if title[0] != ‘.‘ and Judge(title):
                getStore(title,i)
    
if __name__ == ‘__main__‘:
    getAllURLs()

提取正文部分后续再处理。。。

利用Python编写网络爬虫下载文章,搜素材,soscw.com

利用Python编写网络爬虫下载文章

标签：style   blog   http   color   os   strong   

原文地址：http://blog.csdn.net/acdreamers/article/details/24719937