7个月前的一篇todo-list：一个下载新浪博客工具的to-do list
今天终于可以说是完工了。
主要的技术点：
- 使用urllib和urllib2获取网页内容
- 使用BeautifulSoup和re来解析网页内容
编码思路：
一、获取博文列表
我想要下载的目标博客：缠中说禅的博客
分析此博客，发现点击“博客目录”后可获取较调理的信息：
发现以下几点：
- 左侧有博文分类，可通过此处获取感兴趣的分类
- 下方有当前分类的所有博文所占的页数，可通过此处获得总工作量
class Spider:
def __init__(self, indexUrl):
self.indexUrl = indexUrl
content = indexUrl.split('/')[-1].split('_')
self.userID = content[1]
self.defaultPage = self.getPage(self.indexUrl)
def getPage(self, indexUrl):
'''获取indexUrl页面'''
request = urllib2.Request(indexUrl)
response = urllib2.urlopen(request)
return response.read().decode('utf-8')
def getPageNum(self,page):
'''计算有几页博客目录'''
pattern = re.compile('<li class="SG_pgnext">', re.S)
result = re.search(pattern, page)
if result:
print u"目录有多页，正在计算……"
pattern2 = re.compile(u'<li class="SG_pgnext">.*?>共(.*?)页', re.S)
num = re.search(pattern2, page)
pageNum = str(num.group(1))
print u"共有", pageNum, u"页"
else:
print u"只有1页目录"
pageNum = 1
return int(pageNum)
博客目录的URL（http://blog.sina.com.cn/s/articlelist_1215172700_0_1.html），
其中1215172700是用户ID，后面的0表示第一个分类“全部博文”，最后的1表示是次分类的第1页。
在Spider类初始化时将此URL解析，并传入getPage函数中，获取网页HTML。
用正则表达式（re）来解析HTML其实并不是个好方法，原因见这里：You can't parse [X]HTML with regex. Because HTML can't be parsed by regex. Regex is not a tool that can be used to correctly parse HTML.
在之后解析每篇博客内容时，re就无能为力了，我只好去使用BeautifulSoup，但是在前期我却是参考别的文章使用了正则表达。
在getPageNum函数中使用re来获取了当前分类的总页数。
然而我们刚开始的时候并不知道要选择哪个分类，所以要将这些信息显示出来供用户选择。
def getTypeNum(self):
'''计算有几种分类'''
pattern = re.compile('<span class="SG_dot">.*?<a href="(.*?)".*?>(.*?)</a>.*?<em>(.*?)</em>', re.S)
result = re.findall(pattern, self.defaultPage)
pattern2 = re.compile(u'<strong>全部博文</strong>.*?<em>(.*?)</em>', re.S)
result2 = re.search(pattern2, self.defaultPage)
self.allType = {}
i = 0
self.allType[i] = (self.indexUrl, u"全部博文", result2.group(1)[1:-1])
for item in result:
i += 1
self.allType[i] = (item[0], item[1], item[2][1:-1])
print u"本博客共有以下", len(self.allType), "种分类："
for i in range(len(self.allType)):
print "ID: %-2d Type: %-30s Qty: %s" % (i, self.allType[i][1], self.allType[i][2])
依然是使用re。在该函数中获取各分类对应的URL。
现在的流程梳理下就是这样的：
- 程序获取所有的博文分类
- 用户选择感兴趣的分类
- 程序获取该分类的URL和页数
- 程序获取并解析每篇文章（下一章）
二、解析文章
首先会根据分类和页数，得到具体某一页的博文列表的URL。具体规则上面已提到。然后需要将此页中的所有博客的URL解析出来。
def getBlogList(self,page):
'''获取一页内的博客URL列表'''
pattern = re.compile('<div class="articleCell SG_j_linedot1">.*?<a title="" target="_blank" href="(.*?)">(.*?)</a>', re.S)
result = re.findall(pattern, page)
blogList = []
for item in result:
blogList.append((item[0], item[1].replace(' ', ' ')))
return blogList
依然是使用re。
def mkdir(self,path):
isExist = os.path.exists(path)
if isExist:
print u"名为", path, u"的文件夹已经存在"
return False
else:
print u"正在创建名为", path, u"的文件夹"
os.makedirs(path)
def saveBlogContent(self,path,url):
'''保存url指向的博客内容'''
page = self.getPage(url)
blogTool = sinaBlogContentTool(page)
blogTool.parse()
filename = path + '/' + blogTool.time + ' ' + blogTool.title.replace('/', u'斜杠') + '.markdown'
with open(filename, 'w+') as f:
f.write("URL: "+url)
f.write("标签：")
for item in blogTool.tags:
f.write(item.encode('utf-8'))
f.write(' ')
f.write('\n')
f.write("类别：")
f.write(blogTool.types.encode('utf-8'))
f.write('\n')
picNum = 0
for item in blogTool.contents:
if item[0] == 'txt':
f.write('\n')
f.write(item[1].encode('utf-8'))
elif item[0] == 'img':
f.write('\n')
f.write('')
picNum += 1
print u"下载成功"
接下来就是解析博客，保存内容至本地。其中创建文件名时需要注意“/\”此类符号，我的做法是将符号变为文字“斜杠”。
优于解析博客内容较为复杂，我创建一个class专门解析。
首先观察某篇博文，发现有以下几类关键信息：
- 博文题目：太对不起了，被坐骨神经折腾了一晚。
- 发表日期：2008-08-30 19:14:19
- 博文标签：缠中说禅 健康
- 博文分类：缠中说禅
- 博文本身：。。。。。。。。。。
由于博文较为复杂，只能使用BeautifulSoup进行解析。参考eautiful Soup 4.2.0 文档。
以上1至4均使用find函数：
find( name , attrs , recursive , text , **kwargs )
由于此4类的标签（tag）中的属性（attribute）较为特殊，所以均以此搜索。
class sinaBlogContentTool:
def __init__(self,page):
self.page = page
def parse(self):
'''解析博客内容'''
soup = BeautifulSoup(self.page)
self.title = soup.body.find(attrs = {'class':'titName SG_txta'}).string
self.time = soup.body.find(attrs = {'class':'time SG_txtc'}).string
self.time = self.time[1:-1]
print u"发表日期是：", self.time, u"博客题目是：", self.title
self.tags = []
for item in soup.body.find(attrs = {'class' : 'blog_tag'}).find_all('h3'):
self.tags.append(item.string)
self.types = u"未分类"
if soup.body.find(attrs = {'class' : 'blog_class'}).a:
self.types = soup.body.find(attrs = {'class' : 'blog_class'}).a.string
self.contents = []
self.rawContent = soup.body.find(attrs = {'id' : 'sina_keyword_ad_area2'})
for child in self.rawContent.children:
if type(child) == NavigableString:
self.contents.append(('txt', child.strip()))
else:
for item in child.stripped_strings:
self.contents.append(('txt', item))
if child.find_all('img'):
for item in child.find_all('img'):
if(item.has_attr('real_src')):
self.contents.append(('img', item['real_src']))
博文本身比较复杂，因为不仅包含文字，还有图片。所以使用children属性，可以遍历Tag或BeautifulSoup对象的子项。
如果子项为NavigableString对象（即为字符串），则直接保存它本身。
否则，使用stripped_strings属性，将子项中的所有NavigableString对象均保存下来。同时，判断该子项中是否有属性为‘img’的Tag对象，若有，则取该Tag的real_src属性保存下来。
这样文字和图片都获取到了。
最后，在Spider类中使用run函数将以上内容都串起来：
def run(self):
self.getTypeNum()
i = raw_input(u"请输入需要下载的类别ID（如需要下载类别为“全部博文”类别请输入0）:")
page0 = self.getPage(self.allType[int(i)][0])
pageNum = self.getPageNum(page0)
urlHead = self.allType[int(i)][0][:-6]
typeName = self.allType[int(i)][1]
typeBlogNum = self.allType[int(i)][2]
if typeBlogNum == '0':
print u"该目录为空"
return
self.mkdir(typeName)
for j in range(pageNum):
print u"------------------------------------------正在下载类别为", typeName, u"的博客的第", str(j+1), u"页------------------------------------------"
url = urlHead + str(j+1) + '.html'
page = self.getPage(url)
blogList = self.getBlogList(page)
print u"本页共有博客", len(blogList), u"篇"
for item in blogList:
print u"正在下载博客《", item[1], u"》中……"
self.saveBlogContent(typeName, item[0])
print u"全部下载完毕"
以下是成果展示：
