Chinaunix首页 | 论坛 | 博客
  • 博客访问: 6623701
  • 博文数量: 227
  • 博客积分: 10047
  • 博客等级: 上将
  • 技术积分: 6678
  • 用 户 组: 普通用户
  • 注册时间: 2006-07-11 10:33
个人简介

网上的蜘蛛

文章分类

全部博文(227)

文章存档

2010年(19)

2009年(29)

2008年(179)

分类: Python/Ruby

2010-04-25 21:59:30

开始学Python,就看看urllib模块,然后参考网上的一些资料,自己动手写 一个,新手完全不顾效率和程序的美观,只想试下。最难的部分在于正则,看了一些资料,还是不会,只好凑合使用,莫见笑~

'''
Created on Apr 22, 2010

@author: Leyond
'
''

import urllib
import re
def downloadpage(url_hi ='',user ='codedeveloper', blogUrl = '/blog/item/809ad16011b3196c0d33fa5f.html'):
    url = url_hi +user+ blogUrl
    nFail =0
    while nFail < 3:
        try:
            sock = urllib.urlopen(url)
            htmlSource = sock.read()
            #htmlContent = re.findall(r"

",htmlSource,re.I)
           # print htmlContent
            htmlSourceNew = htmlSource.replace("\n"," ")
            htmlContent = re.findall(r"
<\/td><\/tr><\/table>",htmlSourceNew,re.I)
            user += '/%s' % (blogUrl[11:])

            myfile = file(user,'w')
            myfile.write(""+htmlContent[0]+" ")#保存有效部分
            myfile.close()
            urls = re.findall(r"var.*pre.*?/blog/item/.*?html",htmlSource,re.I)
            if(len(urls)==1):
                blogUrl = re.findall(r"/blog/item/.*?html",urls[0],re.I)
                htmlUrl = '' + user + blogUrl[0]
                print htmlUrl
                downloadpage(blogUrl = blogUrl[0])#递归你所有的文章
            else:
                break
            

            sock.close()
            return
        except:
            nFail += 1
            print 'download blog fail: %s' % (blogUrl)
      
downloadpage()

用之前,需要在文件所在目录新建一个目录,例如我的博客就是 codedeveloper,使用这段程序,需要更改两个参数:

downloadpage(user = "yours",blogUrl = '/blog/item/yournewestblogurl.html')
其中user那里指的是你的用户名,yournewestblogurl说的是你最新那篇博文的地址~
等我进一步学习,我在慢慢改善~ 比如使用线程,wget下载等,还有就是处理图片问题。
阅读(3513) | 评论(0) | 转发(0) |
给主人留下些什么吧!~~