通过Python脚本读取博客园分页数据，把标题、摘要和链接过滤出来，方便我们在命令行中阅读。
阅读本文可以熟悉一般爬虫的原理，以及指令交互界面的开发。
一、说明
运行环境：win10/Python 3.5（Win10的玩家可以下载 Window Terminal Preview玩玩，确实不错！）；
主要模块：requests（发送http请求）、lxml.etree（格式化DOM树，xpath查找）、sys（获取命令行参数、重写标准输出等）、os（系统相关、如清屏操作）；
注意：由于时间仓促，没有详细测试，遇到问题麻烦这里反馈；所有英文指令不区分大小写；
后续：后续还会增加查看详情，跳转浏览器等。
本文地址：https://www.cnblogs.com/reader/p/11487398.html
二、交互页面
1、1 开始
直接运行脚本，即可出现如图操作界面。可以输入 1、2和Q进行操作。
1、2 开始阅读
如上图所示，输入 1 进入的开始阅读界面。可以在头部看到页码。这里操作相对多，N(next)下一页，B(Back)上一页，H(Home)首页，Q（Quit）退出，D {num}（Detail, 后面需要输入标题前面对应的数字进行读取摘要和链接等）。
1、3 阅读摘要和链接 
如图所示，每行分别对应 标题、链接和摘要。
三、代码分析
3、1 思路
采集页面-->解析页面内容-->收集必要信息
3.2 数据采集
如下代码所示，根据页码进行数据采集。这里需要注意摘要的获取方式：
li.xpath(‘p‘)[0].xpath(‘string(.)‘)
1 def download(self, page):
2 """下载html页面内容"""
3 self.set_target_url(page)
4 response = requests.get(self.target_url, headers=self.headers)
5 if response.status_code == 200:
6 return response.content
7 else:
8 print("download fail")
9 return ""
10
11 def parse(self, content):
12 """解析HTML内容"""
13 html = etree.HTML(content)
14 lists = html.xpath(‘//div[@id="post_list"]//div[@class="post_item_body"]‘)
15
16 del html
17 k = 1
18 print(‘+‘, ‘--‘ * 50, ‘+‘)
19 print(‘|‘, str("当前页码："+str(self.page)).ljust(95), ‘|‘)
20 print(‘+‘, ‘--‘ * 50, ‘+‘)
21 for li in lists:
22 title = str(li.xpath(‘h3/a/text()‘)[0])
23 link = li.xpath(‘h3/a/@href‘)[0]
24 desc = li.xpath(‘p‘)[0].xpath(‘string(.)‘)
25
26 self.lists[k] = {
27 ‘title‘: title,
28 ‘desc‘: desc.strip(),
29 ‘link‘: link
30 }
31
32 print(‘|‘, k, self.formatByWidth(title, 100-1-len(str(k))), ‘|‘)
33 k += 1
34 del lists
35 print(‘+‘, ‘--‘ * 50, ‘+‘)
四、源码
注意：代码仅供学习，杜绝其他方式使用！请注明转发地址。
1 # -*- coding:UTF-8 -*-
2 import requests
3 from lxml import etree
4 import sys
5 import io
6 import os
7
8
9 sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding=‘gb18030‘)
10
11
12 class CnBlogs:
13 """"
14 Auth：reader
15 发表地址：https://www.cnblogs.com/reader/p/11487398.html
16 作者地址：https://www.cnblogs.com/reader
17 """
18 def __init__(self):
19 self.headers = {‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36‘}
20
21 self.target_domain = "https://www.cnblogs.com"
22 self.page = 1
23 self.lists = {}
24
25 def clearscreen(self):
26 """根据系统，清屏操作"""
27 # window下的清屏方式
28 os.system("cls")
29
30 def set_target_url(self, page):
31 if page == 1:
32 self.target_url = self.target_domain
33 else:
34 self.target_url = ‘https://www.cnblogs.com/sitehome/p/‘+str(page)
35
36 def download(self, page):
37 """下载html页面内容"""
38 self.set_target_url(page)
39 response = requests.get(self.target_url, headers=self.headers)
40 if response.status_code == 200:
41 return response.content
42 else:
43 print("download fail")
44 return ""
45
46 def isascii(self, ch):
47 return ch <= u‘\u007f‘
48
49 def formatByWidth(self, text, width):
50 """格式化字符串长度"""
51 count = 0
52 for u in text:
53 if not self.isascii(u):
54 count += 1
55 return text + " " * (width - count - len(text))
56
57 def parse(self, content):
58 """解析HTML内容"""
59 html = etree.HTML(content)
60 lists = html.xpath(‘//div[@id="post_list"]//div[@class="post_item_body"]‘)
61
62 del html
63 k = 1
64 print(‘+‘, ‘--‘ * 50, ‘+‘)
65 print(‘|‘, str("当前页码："+str(self.page)).ljust(95), ‘|‘)
66 print(‘+‘, ‘--‘ * 50, ‘+‘)
67 for li in lists:
68 title = str(li.xpath(‘h3/a/text()‘)[0])
69 link = li.xpath(‘h3/a/@href‘)[0]
70 desc = li.xpath(‘p‘)[0].xpath(‘string(.)‘)
71
72 self.lists[k] = {
73 ‘title‘: title,
74 ‘desc‘: desc.strip(),
75 ‘link‘: link
76 }
77
78 print(‘|‘, k, self.formatByWidth(title, 100-1-len(str(k))), ‘|‘)
79 k += 1
80 del lists
81 print(‘+‘, ‘--‘ * 50, ‘+‘)
82
83 def descopt(self, k):
84 """读取详情"""
85 k = int(k)
86 if k not in self.lists.keys():
87 return
88 self.clearscreen()
89 print(‘+‘, ‘--‘ * 50, ‘+‘)
90 print(‘|‘, self.formatByWidth(self.lists[k][‘title‘], 100), ‘|‘)
91 print(‘+‘, ‘--‘ * 50, ‘+‘)
92 print(‘|‘, self.formatByWidth(self.lists[k][‘link‘], 100), ‘|‘)
93 print(‘+‘, ‘--‘ * 50, ‘+‘)
94
95 print(‘|‘, self.formatByWidth(self.lists[k][‘desc‘], 100), ‘|‘)
96
97 print(‘+‘, ‘--‘ * 50, ‘+‘)
98 input("输入任意键返回...\r\n")
99
100 def readopt(self):
101 """开始阅读操作"""
102 while True:
103 self.clearscreen()
104 print("\r\n")
105 html = self.download(page=self.page)
106 self.parse(html)
107
108 print("[N]：下一页，[B]：上一页，[H]：首页，[D {num}]：简述, [Q]：返回")
109
110 cmd = input("请输入操作编号[N、B、H、D、Q]：")
111
112 if cmd == ‘Q‘ or cmd == ‘q‘: # 返回
113 break
114 elif cmd == ‘N‘ or cmd == ‘n‘: # 下一页
115 self.page += 1
116 elif cmd == ‘B‘ or cmd == ‘b‘: # 上一页
117 self.page -= 1
118 if self.page <= 0:
119 self.page = 1
120 elif cmd == ‘H‘ or cmd == ‘h‘: # 首页
121 self.page = 1
122 else:
123 cmd = cmd.split(‘ ‘)
124
125 if len(cmd) != 2:
126 continue
127 # 读取简述
128 if cmd[0] == ‘D‘ or cmd[0] == ‘d‘:
129 self.descopt(cmd[1])
130
131 def aboutopt(self):
132 self.clearscreen()
133 print("博客园地址: https://www.cnblogs.com/reader\r\n")
134 input("输入任意键返回...\r\n")
135
136 def start(self):
137 self.clearscreen()
138 while True:
139 print(‘+‘, ‘--‘*50, ‘+‘)
140 print(‘|‘, "欢迎使用博客园阅读器(reader 开发)".center(88), ‘|‘)
141 print(‘+‘, ‘--‘ * 50, ‘+‘)
142 print(‘|‘, "[1]：开始阅读".center(95), ‘|‘)
143 print(‘|‘, "[2]：关于作者".center(95), ‘|‘)
144 print(‘|‘, "[Q]：退出软件".center(95), ‘|‘)
145 print(‘+‘, ‘--‘ * 50, ‘+‘)
146
147 cmd = input("请输入操作编号[1、2、Q]：")
148 if cmd == ‘1‘:
149 self.readopt()
150 elif cmd == ‘2‘:
151 self.aboutopt()
152 elif cmd == ‘Q‘ or cmd == ‘q‘:
153 break
154
155 os.system("cls")
156
157 print("已退出，欢迎使用！")
158
159
160 if __name__ == "__main__":
161 obj = CnBlogs()
162 obj.start()
原文地址：https://www.cnblogs.com/reader/p/11487398.html
时间： 2024-08-29 00:24:39