Crawler/zreading0.3.py at master · Andrew9Tech/Crawler · GitHub

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
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
# -*- coding: utf-8 -*-
#---------------------------------------
#   程序：左岸读书博客爬虫
#   版本：0.3
#   作者：andrew9tech
#   日期：2014-12-09
#   语言：Python 2.7
#   操作：输入网址后保存整个博客文章
#   功能：将所有人发布的内容打包txt存储到本地。
#
#   还是有些小Bug，对于IOError捕获，存在页面跳转，
#   可以获得跳转页面的内容，也能匹配出文章名字，但是错的
#   希望能够完善下存在页面跳转后的输出，出错后返回错误类型，不输出错误的文章名称
#---------------------------------------

import string
import urllib2
import re

#----------- 处理页面上的各种标签 -----------
class HTML_Tool:
    # 用非 贪婪模式 匹配 \t 或者 \n 或者 空格 或者 超链接 或者 图片
    BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")

    # 用非 贪婪模式 匹配 任意<>标签
    EndCharToNoneRex = re.compile("<.*?>")

    # 用非 贪婪模式 匹配 任意<p>标签
    BgnPartRex = re.compile("<p.*?>")
    CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")
    CharToNextTabRex = re.compile("<td>")

    # 将一些html的符号实体转变为原始符号
    replaceTab = [("&lt;","<"),("&gt;",">"),("&amp;","&"),("&amp;","\""),("&nbsp;"," ")]

    def Replace_Char(self,x):
        x = self.BgnCharToNoneRex.sub("",x)
        x = self.BgnPartRex.sub("\n    ",x)
        x = self.CharToNewLineRex.sub("\n",x)
        x = self.CharToNextTabRex.sub("\t",x)
        x = self.EndCharToNoneRex.sub("",x)

        for t in self.replaceTab:
            x = x.replace(t[0],t[1])
        return x

class Zreading_Spider:
    # 申明相关的属性
    def __init__(self,url):
        self.myUrl = url
        self.datas = []
        self.myTool = HTML_Tool()
        print u'已经启动左岸读书博客爬虫，咔嚓咔嚓'

    # 初始化加载页面并将其转码储存
    def zreading_main(self):

        myPage = urllib2.urlopen(self.myUrl).read().decode("utf-8")
        # 计算博客共有多少篇文章
        ArticleNum = self.Article_counter(myPage)
        print '\n'

        #更改range选择保存文章的数目  如：rangge(0, ArticleNum)保存所有文章
        for Article_Num in range(0,ArticleNum):
            # 读取页面的原始信息并将其从utf-8转码
            ArticleUrl = self.myUrl + '/archives/' + str(Article_Num) + '.html'
            try:
                myArticle = urllib2.urlopen(ArticleUrl).read().decode("utf-8")

                # 获取文章的标题
                title = self.find_title(myArticle)
                print u'文章名称：' + title

                # 获取最终的数据，并保存
                self.save_data(ArticleUrl,title)

            except Exception as e:
                print type(e)
                print '该地址' + (ArticleUrl) +'不存在'
                print '\n'


    #用来计算一共有多少篇文章
    def Article_counter(self,myPage):
        # 匹配 "共有<article class="entry-common clearfix" data-id="(.*?)" 来获取一共有多少篇文章
        myMatch = re.search(r'<article class="entry-common clearfix" data-id="(.*?)"', myPage, re.S)
        if myMatch:
            ArticleNum = int(myMatch.group(1))
            print u'爬虫报告：发现博客共有%d篇文章' % ArticleNum
        else:
            ArticleNum = 0
            print u'爬虫报告：无法计算博客有多少篇文章！'
        return ArticleNum

    # 用来寻找文章的标题
    def find_title(self,myArticle):
        # 匹配 <h2 class="entry-name" itemprop="headline">xxxxxxxxxx</h2> 找出标题
        myMatch = re.search(r'<h2.*?>(.*?)</h2>', myArticle, re.S)
        title = u'暂无标题'
        if myMatch:
            title  = myMatch.group(1)
        else:
            print u'爬虫报告：无法加载文章标题！'
        title = title.replace(' ','').replace('\n','')
        return title


    # 用来存储博客文章的内容
    def save_data(self,url,title):
        # 加载页面数据到数组中
        article = urllib2.urlopen(url).read().decode("utf-8")
        self.deal_data(article)
        # 打开本地文件
        f = open(title+'.txt','w+')
        f.writelines(self.datas)
        f.close()
        print u'爬虫报告：文件已下载到本地并打包成txt文件'
        print '\n'


    # 将内容从页面代码中抠出来
    def deal_data(self,article):
        #清洗内容
        #<div class="entry-content" itemprop="description">(.*?)<div class="wumii-hook">
        #当然有很多种正则表达式可以完成,下面包含题目及标签
        #<h2 class="entry-name" itemprop="headline">(.*?)<div class="wumii-hook">
        myItems = re.findall('<h2.*?>(.*?)<div class=.*?>',article,re.S)
        for item in myItems:
            data = self.myTool.Replace_Char(item.replace("\n","").encode("utf-8"))
            print data
            self.datas.append(data+'\n')


#-------- 程序入口处 ------------------
print u"""
#---------------------------------------
#   程序：左岸读书博客爬虫
#   版本：0.3
#   作者：andrew9tech
#   日期：2014-12-09
#   语言：Python 2.7
#   操作：输入网址后保存整个博客文章
#   功能：将所有人发布的内容打包txt存储到本地。
#---------------------------------------
"""

# 以左岸读书博客为例子  下面的URL表示博客的第二页
# bdurl = 'http://www.zreading.cn/page/2'

bdurl = 'http://www.zreading.cn'


if __name__== "__main__":
    mySpider = Zreading_Spider(bdurl)
    mySpider.zreading_main()