zoukankan      html  css  js  c++  java
  • 下载新浪博客文章,保存成文本文件(python)

    今天用Python写了一个下载韩寒新浪博客文章的下载器,恩,基本功能如下:

    1、从新浪博客上批量下载文章,并按文章标题创建文件

    2、对下载的文章进行格式化。

    已知Bug:长篇文章格式会错乱

     1 #!/usr/bin/python
     2 #-*- coding:utf-8 -*-
     3 
     4 import urllib
     5 import os
     6 import re
     7 
     8 def article_format(usock,basedir):    
     9     title_flag=True
    10     context_start_flag=True
    11     context_end_flag=True
    12     for line in usock:
    13         if title_flag:
    14             title=re.findall(r'(<title>.+?<)',line)
    15             if title:
    16                 title=title[0][7:-1]
    17                 filename=basedir+title
    18                 print filename
    19                 try:
    20                     fobj=open(filename,'w+')
    21                     fobj.write(title+'
    ')
    22                     title_flag=False
    23                 except IOError,e:
    24                     print "Open %s error:%s"%(filename,e)
    25             else:
    26                 #print "Title has not found,drop it"
    27                 pass
    28         elif context_start_flag:
    29             results1=re.findall(r'(<.+?正文开始.+?>)',line)
    30             if results1:
    31                 context_start_flag=False
    32         elif context_end_flag:
    33             results2=re.findall(r'(<.+?正文结束.+?)',line)
    34             if results2:
    35                 context_end_flag=False
    36                 fobj.write('
    END')
    37                 fobj.close()
    38                 break
    39             else:    
    40                 if 'div' in line or 'span' in line or  '<p>' in line:
    41                     pass
    42                 else:    
    43                     line=re.sub('&#65292;',',',line)
    44                     line=re.sub('&#65306;',':',line)
    45                     line=re.sub('&#65281;','!',line)
    46                     line=re.sub('&#65288;','(',line)
    47                     line=re.sub('&#65289;',')',line)
    48                     line=re.sub('&#8943;','...',line)
    49                     line=re.sub('&#65311;','?',line)
    50                     line=re.sub('&#65307;',';',line)
    51                     line=re.sub(r'<wbr>','',line)
    52                     line=re.sub(r'&nbsp;','',line)
    53                     line=re.sub(r'<brs+?/>','',line)
    54                     fobj.write(line)
    55         else:
    56             pass
    57 
    58 if __name__=='__main__':
    59     basedir='/home/tmyyss/article/'
    60     if not os.path.exists(basedir):
    61         os.makedirs(basedir)
    62 
    63     usock=urllib.urlopen("http://blog.sina.com.cn/s/articlelist_1191258123_0_1.html")
    64     context=usock.read()
    65     #print context
    66     raw_url_list=re.findall(r'(<as+title.+?href="http.+?html)',context)
    67     for url in raw_url_list:
    68         url=re.findall('(http.+?html)',url)[0]
    69         article_usock=urllib.urlopen(url)
    70         article_format(article_usock,basedir)
    View Code
  • 相关阅读:
    javascript小测试
    js设计模式--策略模式
    js设计模式--迭代器模式
    面试题自我解析
    js设计模式--工厂模式
    js设计模式--单体模式
    Python学习一:Python简介
    Angularjs学习笔记《一》
    实现字体最小,不是默认的12px,可以在视觉上最小达到6px
    css3 transform之后,图片的清晰度下降解决方式
  • 原文地址:https://www.cnblogs.com/tmyyss/p/4169965.html
Copyright © 2011-2022 走看看