Temp/ZreadingCrawler.py at master · Andrew9Tech/Temp · 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
# -*- coding: utf-8 -*-
#---------------------------------------
#   程序：左岸读书博客爬虫
#   版本：0.2
#   作者：andrew9tech
#   日期：2014-12-07
#   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。
#---------------------------------------

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):
        for Article_Num in range(4000,4662):
            # 读取页面的原始信息并将其从utf-8转码
            #HTTPError
            ArticleUrl = self.myUrl + str(Article_Num) + '.html'
            try:
                myPage = urllib2.urlopen(ArticleUrl).read().decode("utf-8")
                # 计算博客内容一共有多少页
                #self.page_counter(myPage)
                # 获取该帖的标题
                title = self.find_title(myPage)
                print title
                print u'文章名称：' + title
                # 获取最终的数据
                self.save_data(ArticleUrl,title)
            except Exception as e:
                print type(e)
                print '该地址' + (ArticleUrl) +'不存在'
                print '\n'

    # 用来寻找该帖的标题
    def find_title(self,myPage):
        # 匹配 <h2 class="entry-name" itemprop="headline">xxxxxxxxxx</h2> 找出标题
        myMatch = re.search(r'<h2.*?>(.*?)</h2>', myPage, 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！'
        # 文件名不能包含以下字符： \ / ： * ? " < > |
        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")
        print isinstance(article, unicode)
        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，只包含正文，没有题目
        #<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 class="entry-name" itemprop="headline">(.*?)<div class="wumii-hook">',article,re.S)
        for item in myItems:
            data = self.myTool.Replace_Char(item.replace("\n","").encode("utf-8"))
            self.datas.append(data+'\n')


#-------- 程序入口处 ------------------
print u"""
#---------------------------------------
#   程序：左岸读书博客爬虫
#   版本：0.2
#   作者：andrew9tech
#   日期：2014-12-07
#   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/archives/'

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