码迷,mamicode.com
首页 > 编程语言 > 详细

Python爬取韩寒所有新浪博客

时间:2017-07-15 11:14:40      阅读:245      评论:0      收藏:0      [点我收藏+]

标签:llb   loading   csdn   post   end   nload   不难   link   python   


接上一篇,我们依据第一页的链接爬取了第一页的博客,我们不难发现,每一页的链接就仅仅有一处不同(页码序号),我们仅仅要在上一篇的代码外面加一个循环,这样就能够爬取全部博客分页的博文。也就是全部博文了。


# -*- coding : -utf-8 -*-
import urllib
import time
url = [' ']*350
page = 1
link = 1
while page <=7://眼下共同拥有7页。3
    con = urllib.urlopen('http://blog.sina.com.cn/s/articlelist_1191258123_0_'+str(page)+'.html').read()
    i = 0
    title = con.find(r'<a title=')
    href = con.find(r'href=',title)
    html = con.find(r'.html',href)
    while title != -1 and href != -1 and html != -1 and i<350:
        url[i] = con[href + 6:html + 5]

        content = urllib.urlopen(url[i]).read()
        open(r'allboke/'+url[i][-26:],'w+').write(content)
        
        print 'link',link,url[i]
        title = con.find(r'<a title=',html)
        href = con.find(r'href=',title)
        html = con.find(r'.html',href)
        i = i + 1
        link = link + 1
    else:
        print 'page',page,'find end!'
    page = page + 1
else:
    print 'all find end'

#i = 0
#while i < 350:
    #content = urllib.urlopen(url[i]).read()
    #open(r'save/'+url[i][-26:],'w+').write(content)
    #print 'downloading',i,url[i]
    #i = i + 1
    #time.sleep(1)
#else:
print 'download artical finished!'


代码最以下部分,保存网页仅仅能保存到50,不知道错在哪里。
技术分享

所以就将保存网页的代码放在搜索里,找到就保存!


正确执行界面:

技术分享


执行结果:

技术分享

Python爬取韩寒所有新浪博客

标签:llb   loading   csdn   post   end   nload   不难   link   python   

原文地址:http://www.cnblogs.com/lytwajue/p/7181763.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!