1 #coding:utf-8
2 import requests
3 from bs4 import BeautifulSoup
4 import MySQLdb
5
6
7 def get_html(url):
8 ‘‘‘
9 获取页面HTML源码，并返回
10 ‘‘‘
11 html = requests.get(url)
12 content = html.text.encode(‘utf-8‘)
13 return content
14
15 def get_blog_html_list(html_content):
16 global addr
17 ‘‘‘
18 在HTML源码中获取到blog相关的值，并返回
19 ‘‘‘
20 bs = BeautifulSoup(html_content,‘lxml‘)
21 # 此处的class要加上下划线，否则会和系统内预定的class冲突
22 blog_list = bs.find_all(‘div‘, class_ = ‘entrylistItem‘)
23 for i in range(len(blog_list)):
24 sub_dict = {}
25 sub_dict[‘title‘] = blog_list[i].a.get_text()
26 sub_dict[‘link‘] = blog_list[i].a.get(‘href‘)
27 sub_dict[‘abstract‘] = blog_list[i].div.get_text()
28 insert_to_db(sub_dict)
29 return sub_dict
30
31 def insert_to_db(dict={} ):
32 conn = MySQLdb.connect(host = ‘localhost‘, user = ‘root‘, passwd = ‘12345a‘,
33 db = ‘pytest01‘, charset = ‘utf8‘)
34 cur = conn.cursor()
35
36 try:
37 cur.execute(‘insert into blog_details (title, link, abstract) values (%s, %s, %s)‘,
38 (dict[‘title‘], dict[‘link‘], dict[‘abstract‘]))
39 except MySQLdb.Error, e:
40 pass
41 conn.commit()
42 cur.close()
43 conn.close()
1 #coding:utf-8
2 import urllib
3 import requests
4 from bs4 import BeautifulSoup
5 import MySQLdb
6 import Crawler.get_file
7 from docx import Document
8 import time
9 import docx.image # 超链接图片抛出的异常在docx.image中
10
11 index = ‘0‘
12
13 def get_blog_pic(pic_url, index):
14 print ‘download picture‘
15 ‘‘‘
16 下载指定URL的图片，并且以index命名保存到temp_pic 文件夹内
17 ‘‘‘
18 path = ‘D:\\workspace_Java\\cnBlogCrawler\\temp_pic\\‘ + index + ‘.png‘
19 try:
20 pic = urllib.urlretrieve(pic_url, path)
21 except AttributeError,e:
22 path = r‘C:\Users\Lisen\Desktop\error.jpg‘
23 print ‘download picture error, the link is ‘ + pic_url
24 pass
25 finally:
26 return path
27
28 def get_blog_body(url, title):
29 print ‘download blog‘
30 print title, time.strftime(‘%Y-%m-%d %H:%M:%S‘)
31 file_path = ‘D:\\workspace_Java\\cnBlogCrawler\\temp_doc\\‘ + title + ‘.docx‘
32 header = {‘Accept‘:‘text/html,application/xhtml+xml,application/xml‘,
33 ‘Accept-Encoding‘:‘gzip, deflate, sdch‘,
34 ‘Accept-Language‘:‘zh-CN,zh;q=0.8‘,
35 ‘Cache-Control‘:‘max-age=0‘,
36 ‘Connection‘:‘keep-alive‘,
37 ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.75 Safari/537.36‘}
38 html = requests.get(url,header).text
39 bs = BeautifulSoup(html, ‘lxml‘)
40 print ‘html ready‘
41 ‘‘‘
42 获取html中blog正文部分
43 ‘‘‘
44 body = bs.find_all(‘p‘)
45 ‘‘‘
46 创建文档
47 ‘‘‘
48 doc = Document()
49 for each in body:
50 # 在函数中改变全局变量需要用global声明下
51 global index
52 ‘‘‘
53 如果p节点有子节点a的话，就说明其中是带着图片的链接或者是文本本身就是链接，因此要分三种情况去爬取
54 1. 没有子节点：直接获取text部分
55 2. 有子节点 a， 但是该子节点没有text部分，说明这是图片
56 3. 有子节点a， 且该子节点有text部分，则里面是文本
57 ‘‘‘
58 if each.a != None:
59 txt = each.a.get_text()
60 if txt == ‘‘:
61 print ‘pic‘
62 url = each.a.get(‘href‘)
63 index = str(int(index) + 1)
64 pic_name = get_blog_pic(url, index)
65 try:
66 doc.add_picture(pic_name)
67 except docx.image.exceptions.UnrecognizedImageError, e:
68 pass
69 else:
70 print ‘URL‘
71 content = each.a.get_text()
72 paragraph = doc.add_paragraph(content)
73 else:
74 print ‘txt‘
75 content = each.get_text()
76 paragraph = doc.add_paragraph(content)
77 try:
78 print ‘saving file‘
79 doc.save(file_path)
80 except IOError,e:
81 print ‘file saving error‘
82 print ‘error url is ‘ + url
83 pass
1 import MySQLdb 2 import Crawler.get_file 3 import Crawler.get_blog_details 4 import time 5 6 if __name__ == ‘__main__‘: 7 8 conn = MySQLdb.connect(host = ‘localhost‘, user = ‘root‘, passwd = ‘12345a‘, 9 db = ‘pytest01‘, charset = ‘utf8‘) 10 cur = conn.cursor() 11 cur.execute(‘truncate blog_details‘) 12 url = r‘http://www.cnblogs.com/omygod/category/460309.html‘ 13 print ‘next parsing html‘ 14 html = Crawler.get_blog_details.get_html(url) 15 print ‘next parsing blog address‘ 16 dict = Crawler.get_blog_details.get_blog_html_list(html) 17 print ‘next update MySQL‘ 18 Crawler.get_blog_details.insert_to_db(dict) 19 20 cur.execute(‘select * from blog_details‘) 21 lines = cur.fetchall() 22 for line in lines: 23 Crawler.get_file.get_blog_body(line[1],line[0]) 24 print ‘done‘ + time.strftime(‘%Y-%m-%d %H:%M:%S‘) 25 time.sleep(2) 26 print ‘wait over‘ 27 cur.close() 28 conn.close()
由于博客园的原创博客都是通过随笔的形式保存的，因此我们可以通过对某一随笔目录进行解析，获取出该目录下所有博文的标题，链接以及摘要，存储到MySQL数据库中（主要是因为可以持久记录相关信息，后续有新博文的时候可以通过对比判断直接下载新的博文）。然后再对每个条目进行单独解析，将博文的内容，图片保存到Word文档中。
主要用到的包有： requests， BeautifulSoup，python-docx， MySQLdb
- requests和BeautifulSoup主要是用来获取网页源代码以及对其进行解析；
- python-docx是用来生成Word文档，手册可参照： https://python-docx.readthedocs.io/en/latest/user/quickstart.html
- MySQLdb是用来通过Python操控MySQL数据库， 具体可参照SegmentFault中的一篇文章：https://segmentfault.com/a/1190000000709735
整个代码分为三部分：
- 第一部分是get_blog_details.py，主要是获取目录下各个博文的详细信息，并存到MySQL数据库中
- 第二部分是get_file.py，获取各个博文的地址等并生成Word文档
- 第三部分是__init__.py， 程序开始
在编写代码过程中，有几个地方需要注意：
- 若在函数中改变全局变量，需要在函数中声明： global g_var
- 在用BeautifulSoup解析某个节点的class属性是，不能直接用class否则会报错，因为class是保留关键字， 要在class后加_， 如：blog_list = bs.find_all(‘div‘, class_ = ‘entrylistItem‘)
- 在py文件中import其他py文件时，一要在文件目录中添加 __init__.py 文件，二是要在导入是加上对应文件夹的名字，如：import Crawler.get_file
现阶段缺点：
- 程序运行速度慢，后期准备学习下多线程爬虫
- Word文档中图片太大以至于不方便阅读，准备用python-docx中的Inches修改
- 刚才跑的时候发现写数据库表的时候有一个地方没注意，相同主键不能再次写入，这个需要修改下 现在每次解析博文列表时都会先进行删除数据库的操作
- 没有例外处理，程序容易崩溃 一定要添加例外处理，否则指不定程序在哪里就崩溃了。。
- 在爬取博文时发现有些博文内容含有表格，以及某些图片是超链接形式，表格在下一版中修改，超链接图片在此版中作为异常处理
体会：
1. 真的真的要做异常处理，否则会很痛苦
2. 分析不全面，没有考虑到含有表格或者其他形式
3. 争取做出GUI，方便处理
4. 添加log 文档， 方便查看出错的地方
时间： 2024-11-03 05:44:08