利用Python编写网络爬虫下载文章

#coding: utf-8
#title..href...
str0='blabla<a title="《论电影的七个元素》——关于我对电影的一些看法以及《后会无期》的一些消息" target="_blank" href="http://blog.sina.com.cn/s/blog_4701280b0102eo83.html">《论电影的七个元素》——关于我对电…</a>'
import urllib.request
import time
url=['']*350
page=1
link=1
while page<=7:
con=urllib.request.urlopen('http://blog.sina.com.cn/s/articlelist_1191258123_0_'+str(page)+'.html').read().decode('utf-8')
#print('con',con)
title=con.find(r'<a title=')
href=con.find(r'href=',title)
html=con.find(r'.html',href)
i=0
while i<=50 and title!=-1 and href!=-1 and html!=-1: #没找到时返回-1
url[page*50-50+i]=con[href+6:html+5]
#print('con',con)
title=con.find(r'<a title=',html)
href=con.find(r'href=',title)
html=con.find(r'.html',href)
print(link,'.',url[page*50-50+i])
i=i+1
link=link+1
else:
print('one page find end!')
page=page+1
else:
print('all pages find end')

j=0
while j<350:
content=urllib.request.urlopen(url[j]).read().decode('utf-8')
open(r'hanhan/'+url[j][-26:],'w+').write(content)
print('donwloading ',j,' page:',url[j])
j=j+1
time.sleep(0.1)
else:
print('download article finished')

#r 以只读方式打开文件，该文件必须存在。
#r+ 以可读写方式打开文件，该文件必须存在。
#rb+ 读写打开一个二进制文件，允许读写数据，文件必须存在。
#w 打开只写文件，若文件存在则文件长度清为0，即该文件内容会消失。若文件不存在则建立该文件。
#w+ 打开可读写文件，若文件存在则文件长度清为零，即该文件内容会消失。若文件不存在则建立该文件。
#a 以附加的方式打开只写文件。若文件不存在，则会建立该文件，如果文件存在，写入的数据会被加到文件尾，即文件原先的内容会被保留。（EOF符保留）
#a+ 以附加方式打开可读写的文件。若文件不存在，则会建立该文件，如果文件存在，写入的数据会被加到文件尾后，即文件原先的内容会被保留。 （原来的EOF符不保留）
#wb 只写打开或新建一个二进制文件；只允许写数据。
#wb+ 读写打开或建立一个二进制文件，允许读和写。
#ab+ 读写打开一个二进制文件，允许读或在文件末追加数据。
#at+ 打开一个叫string的文件，a表示append,就是说写入处理的时候是接着原来文件已有内容写入，不是从头写入覆盖掉，t表示打开文件的类型是文本文件，+号表示对文件既可以读也可以写。

#二进制和文本模式的区别
#1.在windows系统中，文本模式下，文件以"\r\n"代表换行。若以文本模式打开文件，并用fputs等函数写入换行符"\n"时，函数会自动在"\n"前面加上"\r"。即实际写入文件的是"\r\n" 。
#2.在类Unix/Linux系统中文本模式下，文件以"\n"代表换行。所以Linux系统中在文本模式和二进制模式下并无区别。

#打开方式总结：各种打开方式主要有三个方面的区别：
##①打开是否为二进制文件，用“b”标识。
#②读写的方式，有以下几种：只读、只写、读写、追加只写、追加读写这几种方式。
#③对文件是否必须存在、以及存在时是清空还是追加会有不同的响应。具体判断如下图。

#print('---------------------test---------------------')
#title=str0.find(r'<a title')
#print(title)
#href=str0.find(r'href')
#print(href)
#html=str0.find(r'.html')
#print(html)
#url=str0[href+6:html+5]
#print(url)
#content=urllib.request.urlopen(url).read()
#print(content)
#filename=url[-26:] #URL最后字符串作为文件名
#print(filename)
#open(filename,'wb').write(content)#把读到的内容写入到本地文件中

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：
<span class="atc_title"><a title="东望洋" target="_blank"
href="http://blog.sina.com.cn/s/blog_4701280b0102eck1.html">东望洋</a></span>

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'<a title='，'href='和'.html'，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。

[python] view plaincopy在CODE上查看代码片派生到我的代码片
#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 = '<span class="atc_title"><a title="东望洋" target="_blank" href="http://blog.sina.com.cn/s/blog_4701280b0102eck1.html">东望洋</a></span>'
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

<a title="..." target="_blank" href="http://blog.sina.com.cn....html">

这一规则，所以我们可以设置正则表达式

r'<a title=".+" target="_blank" href="(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：
[python] view plaincopy在CODE上查看代码片派生到我的代码片
#coding:utf-8
import re
import urllib2

def getPageURLs(url):
text = urllib2.urlopen(url).read()
pattern = r'<a title=".+" target="_blank" href="(http://blog.sina\.com\.cn.+\.html)">'
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

<title>东望洋_韩寒_新浪博客</title>

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。
[python] view plaincopy在CODE上查看代码片派生到我的代码片
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。
[python] view plaincopy在CODE上查看代码片派生到我的代码片
#coding:utf-8
import re
import urllib2
from bs4 import BeautifulSoup

def getPageURLs(url):
text = urllib2.urlopen(url).read()
pattern = r'<a title=".+" target="_blank" href="(http://blog.sina\.com\.cn.+\.html)">'
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。。。