「玩轉Python」打造十萬博文爬蟲篇

前言

這里以爬取博客園文章為例，僅供學習參考，某些AD滿天飛的網站太浪費爬蟲的感情了。

爬取

• 使用 BeautifulSoup 獲取博文

• 通過 html2text 將 Html 轉 Markdown

• 保存 Markdown 到本地文件

• 下載 Markdown 中的圖片到本地並替換圖片地址

• 寫入數據庫

工具

使用到的第三方類庫：BeautifulSoup、html2text、PooledDB

代碼

獲取博文：

# 獲取標題和文章內容
def getHtml(blog):
    res = requests.get(blog, headers=headers)
    soup = BeautifulSoup(res.text, 'html.parser')
	# 獲取博客標題
    title = soup.find('h1', class_='postTitle').text
	# 去除空格等
    title = title.strip()
	# 獲取博客內容
    content = soup.find('div', class_='blogpost-body')
	# 去掉博客外層的DIV
    content = article.decode_contents(formatter="html")
    info = {"title": title, "content": content}
    return info

Html 轉 Markdown：

# 這里使用開源第三方庫 html2text
 md = text_maker.handle(info['content'])

保存到本地文件：

def createFile(md, title):
    print('系統默認編碼：{}'.format(sys.getdefaultencoding()))
    save_file = str(title) +".md"
    # print(save_file)
    print('准備寫入文件：{}'.format(save_file))
    # r+ 打開一個文件用於讀寫。文件指針將會放在文件的開頭。
    # w+ 打開一個文件用於讀寫。如果該文件已存在則將其覆蓋。如果該文件不存在，創建新文件。
    # a+ 打開一個文件用於讀寫。如果該文件已存在，文件指針將會放在文件的結尾。文件打開時會是追加模式。如果該文件不存在，創建新文件用於讀寫。
    f = codecs.open(save_file, 'w+', 'utf-8')
    f.write(md)
    f.close()
    print('寫入文件結束：{}'.format(f.name))
    return save_file

下載圖片到本地並替換圖片地址：

def replace_md_url(md_file):
    """
    把指定MD文件中引用的圖片下載到本地，並替換URL
    """

    if os.path.splitext(md_file)[1] != '.md':
        print('{}不是Markdown文件，不做處理。'.format(md_file))
        return

    cnt_replace = 0
    # 日期時間為目錄存儲圖片
    dir_ts = time.strftime('%Y%m', time.localtime())
    isExists = os.path.exists(dir_ts)
    # 判斷結果
    if not isExists:
        os.makedirs(dir_ts)
    with open(md_file, 'r', encoding='utf-8') as f:  # 使用utf-8 編碼打開
        post = f.read()
        matches = re.compile(img_patten).findall(post)
        if matches and len(matches) > 0:
            for match in list(chain(*matches)):
                if match and len(match) > 0:
                    array = match.split('/')
                    file_name = array[len(array) - 1]
                    file_name = dir_ts + "/" + file_name
                    img = requests.get(match, headers=headers)
                    f = open(file_name, 'ab')
                    f.write(img.content)
                    new_url = "https://blog.52itstyle.vip/{}".format(file_name)
                    # 更新MD中的URL
                    post = post.replace(match, new_url)
                    cnt_replace = cnt_replace + 1

        # 如果有內容的話，就直接覆蓋寫入當前的markdown文件
        if post and cnt_replace > 0:
            url = "https://blog.52itstyle.vip"
            open(md_file, 'w', encoding='utf-8').write(post)
            print('{0}的{1}個URL被替換到{2}/{3}'.format(os.path.basename(md_file), cnt_replace, url, dir_ts))
        elif cnt_replace == 0:
            print('{}中沒有需要替換的URL'.format(os.path.basename(md_file)))

寫入數據庫：

# 寫入數據庫
def write_db(title, content, url):
    sql = "INSERT INTO blog (title, content,url) VALUES(%(title)s, %(content)s, %(url)s);"
    param = {"title": title, "content": content, "url": url}
    mysql.insert(sql, param)

小結

互聯網時代一些開放的博客社區的確方便了很多，但是也伴隨着隨時消失的可能性，最好就是自己備份一份到本地；你也可以選擇自己喜歡的博主，爬取下收藏。

源碼：https://gitee.com/52itstyle/Python

演示：https://blog.52itstyle.top

列表：https://blog.52itstyle.top/index

詳情：https://blog.52itstyle.top/49.shtml