爬取博主所有文章并保存到本地（.txt版）--python3.6

Posted 2020-10-29 Andrew_qian

python3.6爬取博主的所有文章并保存到本地

闲话：

一位前辈告诉我大学期间要好好维护自己的博客，在博客园发布很好，但是自己最好也保留一个备份。

正好最近在学习python，刚刚从py2转到py3，还有点不是很习惯，正想着多练习，于是萌生了这个想法——用爬虫保存自己的所有文章

在查了一些资料后，慢慢的有了思路。

正文：

有了上面的思路后，编程就不是问题了，就像师傅说的，任何语言，语法只是很小的一部分，主要还是编程思想。于是边看语法，边写程序，照葫芦画瓢，也算实现了既定的功能：

1、现在py文件同目录下创建一个以博主名字为名的文件夹，用来存放爬取的所有文章。

2、暂时先保存成TXT文件，这个比较容易。但是缺点是无法保存图片。后面在学习直接转成PDF。

3、爬取完成后提醒我你爬取了多少片文章。

要懒就懒到位，最好不要让我动一下手就自动爬取所有文章，但是。。。。还是要看一下自己的文章目录的url吧、看一下自己有多少页目录吧，然后这两个参数填进去之后，就完美了。

提示：使用chrome浏览器，在chrome下：先按F12进入开发者模式，在网页上右键选中一块区域，然后选择【检查】，在右侧即可查看对应的HTML程序。

主要函数的实现：

1、获取所有文章的url：

def get_urls(url,pages):
    """
    获取所有目录下的所有文章url
    :param url: 某一页目录的url，去掉最后的数字
    :param pages: 一共需要爬取的页数
    :return: 返回所有文章url的列表
    """
    total_urls = []

    for i in range(1,pages+1):      #根据一个目录的url找到所有目录

        url_temp = url + str(i)

        html = get_html(url_temp)   #获取网页源码

        title_pattern = re.compile(r\'<a.*?class="postTitle2".*?href="(.*?)">\',re.S)    #文章url正则表达式

        url_temp2 = re.findall(title_pattern,html)     #找到一个目录中所有文章的网址

        for _url in url_temp2:
            total_urls.append(_url)            #所有文章url放在一起
    return total_urls

关于正则表达式的选择：这是我目录中的两篇文章标题的HTML程序：

可以发现，都在一对a标签下，class属性为："postTitle n"，其href属性就是文章的url网址。

所以正则表达式可以写为：re.compile(r\'<a.*?class="postTitle2".*?href="(.*?)">\',re.S)

最后调用append方法，将所有文章的url放在一个list列表里面。

 

2、获取文章标题：

def get_title(url):
    """
    获取对应url下文章的标题，返回标题
    :param url:
    :return:
    """
    html_page = get_html(url)
    title_pattern = re.compile(r\'(<a.*id="cb_post_title_url".*>)(.*)(</a>)\')
    title_match = re.search(title_pattern,html_page)
    title = title_match.group(2)
    return title

这个也很简单，检查元素我们可以发现：

与上面一样，这个正则表达式可以选择：re.compile(r\'(<a.*id="cb_post_title_url".*>)(.*)(</a>)\')

然后保留其第二个分组就是文章标题。

 

3、获取正文：

def get_body(url):
    """
    获取url下文章的正文内容
    :param url:
    :return:
    """
    html_page = get_html(url)
    soup = BeautifulSoup(html_page,\'html.parser\')   #HTML文档解析器
    div = soup.find(id = "cnblogs_post_body")
    return div.get_text()

使用BeautifulSoup模块，创建一个对象，然后使用  soup.find()方法，搜索ID为  "cnblogs_post_body" 的标签，返回标签内的文档内容。

 

4、下载单个文件：

def save_single_file(url):
    """
    首先在py文件同目录下创建一个以博主名字为名的文件，用来存放爬取的所有文章
    将文章正文保存在txt文件中，名字为文章标题
    有些文章的标题可能不适合直接作为txt文件名，我们可以忽略这些文章
    :param url:
    :return:
    """
    global article_count    #使用全局变量，需要在函数中进行标识
    title = get_title(url)
    body = get_body(url)

    #获取当前目录文件，截取目录后，并自动创建文件
    FILE_PATH = os.getcwd()[:-0]+author+\'_\'\'text\\\\\'
    if not os.path.exists(FILE_PATH):
        os.makedirs(FILE_PATH)

    try:
        filename = title + \'.txt\'
        with open(\'D:\\learning python\\coding_python3.6\\cnblog\\\\Andrew_text\\\\\'+filename,\'w\',encoding=\'utf-8\') as f:
            f.write(body)       #正文写入文件
            article_count+= 1   #计数变量加1，统计总的下载文件数
    except:
        pass

    print(title+"  file have saved...")     #提示文章下载完毕

对于 os.getcwd()方法，

如果a.py文件存放的路径下为：D:\\Auto\\eclipse\\workspace\\Testhtml\\Test

通过os.getcwd()获取的路径为：D:\\Auto\\eclipse\\workspace\\Testhtml\\Test

使用os.getcwd()[:-4]截取到的路径为：D:\\Auto\\eclipse\\workspace\\Testhtml\\ ，注意这个-4是在当前目录字符串下，向前截取4个字符后的目录。不想截取的话，直接省略数字，但是要有  [:]

使用下面的命令则在3步骤下新建文件夹，名为：变量author_text：

    #获取当前目录文件，截取目录后，并自动创建文件
    FILE_PATH = os.getcwd()[:-0]+author+\'_\'\'text\\\\\'
    if not os.path.exists(FILE_PATH):
        os.makedirs(FILE_PATH)

 

 5、最终下载：

def save_files(url,pages):
    """
    调用单个文件保存函数，循环保存所有文件
    :param url:传入任意一个目录的url，但是要注意去掉最后的数字。
    :return:
    """
    total_urls = get_urls(url,pages)
    print("get all the urls..."+\'\\n\')
    print(total_urls)      #获取的文章url正确

    for urls in total_urls:
         save_single_file(urls)

    #输出下载的总文章数
    print(\'\\n\' + "total article count is ：%d"%article_count)

 

 运行结果：

 

参考资料：

项目启发：http://www.cnblogs.com/xingzhui/p/7881905.html

正则表达式：https://blog.csdn.net/qq_878799579/article/details/72887612