利用Python编写网络爬虫下载文章

今天来讲如何利用Python爬虫下载文章，拿韩寒的博客为例来一步一步进行详细探讨。。。
 
韩寒的博客地址是：http://blog.sina.com.cn/s/articlelist_1191258123_0_1.html
 
可以看出左边是文章列表，而且不止一页，我们先从最简单的开始，先对一篇文章进行下载，再研究对一页所有的文
章进行下载，最后再研究对所有的文章下载。
 
 
第一步：对一篇文章下载
 
    我们打开韩寒的博客，然后查看源码，可以看出每一篇文章的列表源码为：
    <span class="atc_title"><a title="东望洋" target="_blank"  
    href="http://blog.sina.com.cn/s/blog_4701280b0102eck1.html">东望洋</a></span>
 
    我们主要是想提取出中间绿色部分的URL，然后找到这篇文章的正文进行分析，然后提取进行下载。首先，假
    设已经得到这个字符串，然后研究如何提取这个URL，观察发现，对于所有的这类字符串，都有一个共同点，那
    就是都含有子串‘<a title=‘，‘href=‘和‘.html‘，那么我们可以用最笨的方式---查找子串进行定界。
 
    在Python中有一个方法叫做find()，是用来查找子串的，返回子串出现的位置，那么，可以用如下代码来提
    取URL，并读取文件和下载文件。
 
[python] view plaincopy在CODE上查看代码片派生到我的代码片
#encoding:utf-8  
import urllib2  
  
def getURL(str):  
    start = str.find(r‘href=‘)  
    start += 6  
    end   = str.find(r‘.html‘)  
    end   += 5  
    url = str[start : end]  
    return url  
  
def getContext(url):  
    text =urllib2.urlopen(url).read()  
    return text  
  
def StoreContext(url):  
    content  = getContext(url)  
    filename = url[-20:]  
    open(filename, ‘w‘).write(content)  
  
if __name__ == ‘__main__‘:  
    str = ‘<span class="atc_title"><a title="东望洋" target="_blank" href="http://blog.sina.com.cn/s/blog_4701280b0102eck1.html">东望洋</a></span>‘     
    url = getURL(str)  
    StoreContext(url)  

 
 
第二，三步：下载所有的文章
   
    在这一步中，我们要提取第一页所有的文章的URL和标题，不再采用上面第一步的find()函数，毕竟这个函数
    缺乏灵活性，那么采用正则表达式最好。
 
    首先采集数据，观察发现，所有文章的URL都符合
 
    <a title="..." target="_blank" href="http://blog.sina.com.cn....html">
 
    这一规则，所以我们可以设置正则表达式
 
    r‘<a title=".+" target="_blank" href="(http://blog.sina\.com\.cn.+\.html)">‘
 
      这样就容易了，下面是爬取韩寒所有文章，并在本地保存为.html文件。
 
代码：
[python] view plaincopy在CODE上查看代码片派生到我的代码片
#coding:utf-8  
import re  
import urllib2  
  
def getPageURLs(url):  
    text = urllib2.urlopen(url).read()  
    pattern = r‘<a title=".+" target="_blank" href="(http://blog.sina\.com\.cn.+\.html)">‘  
    regex = re.compile(pattern)  
    urlList = re.findall(regex,text)  
    return urlList  
  
def getStore(cnt,url):  
    text = urllib2.urlopen(url)  
    context = text.read();  
    text.close()  
    filename = ‘HanhanArticle/‘+str(cnt) + ‘.html‘  
    f = open(filename,‘w‘)  
    f.write(context)  
    f.close()  
      
def getAllURLs():  
    urls = []  
    cnt = 0  
    for i in xrange(1,8):  
        urls.append(‘http://blog.sina.com.cn/s/articlelist_1191258123_0_‘+str(i)+‘.html‘)  
    for url in urls:  
        tmp = getPageURLs(url)  
        for i in tmp:  
            cnt += 1  
            getStore(cnt,i)  
      
if __name__ == ‘__main__‘:  
    getAllURLs()  

 
由于我把文章的标题用一个数字来命名，似乎不是很完美，还有两个问题没有解决，怎么提取文章的标题？，这是涉
及到中文提取，怎么把文章的内容提取出来保存为txt格式的文件？
 
如果能解决上面的两个问题，那么才算是真正地用网络爬虫技术实现了对韩寒博客的下载。
 
 
（1）提取文章的标题
 
   为了方便操作，我们用BeautifulSoup来分析网页，对html文本我们提取title之间的内容为
 
    <title>东望洋_韩寒_新浪博客</title>
 
   对这个强制转化为字符串，然后进行切片操作，大致取string[7 : -28]，得到了文章的标题。
[python] view plaincopy在CODE上查看代码片派生到我的代码片
from bs4 import BeautifulSoup  
import re  
  
for i in xrange(1,317):  
    filename = ‘HanhanArticle/‘ + str(i) + ‘.html‘  
    html = open(filename,‘r‘)  
    soup = BeautifulSoup(html)  
    html.close()  
    title = soup.find(‘title‘)  
    string = str(title)  
    article = string[7 : -28].decode(‘utf-8‘)  
    if article[0] != ‘.‘:  
        print article  

 
但是有些标题直接的内容还需要处理，比如&lt;&lt;ONE IS ALL&gt;&gt;，本来应该解释为《ONE IS ALL》
还有比如中央电视台很*很**，这里的**在文件中不能作为名称字符。
[python] view plaincopy在CODE上查看代码片派生到我的代码片
#coding:utf-8  
import re  
import urllib2  
from bs4 import BeautifulSoup  
  
def getPageURLs(url):  
    text = urllib2.urlopen(url).read()  
    pattern = r‘<a title=".+" target="_blank" href="(http://blog.sina\.com\.cn.+\.html)">‘  
    regex = re.compile(pattern)  
    urlList = re.findall(regex,text)  
    return urlList  
  
def getStore(title,url):  
    text = urllib2.urlopen(url)  
    context = text.read();  
    text.close()  
    filename = ‘HanhanArticle/‘+ title + ‘.html‘  
    f = open(filename,‘w‘)  
    f.write(context)  
    f.close()  
  
def getTitle(url):  
    html = urllib2.urlopen(url).read()  
    soup = BeautifulSoup(html)  
    title = soup.find(‘title‘)  
    string = str(title)  
    return string[7 : -28]  
  
def Judge(title):  
    lens = len(title)  
    for i in xrange(0,lens):  
        if title[i] == ‘*‘:  
            return False  
    return True  
      
def getAllURLs():  
    urls = []  
    for i in xrange(1,8):  
        urls.append(‘http://blog.sina.com.cn/s/articlelist_1191258123_0_‘+str(i)+‘.html‘)  
    for url in urls:  
        tmp = getPageURLs(url)  
        for i in tmp:  
            title = getTitle(i).decode(‘utf-8‘)  
            print title  
            if title[0] != ‘.‘ and Judge(title):  
                getStore(title,i)  
      
if __name__ == ‘__main__‘:  
    getAllURLs()  
 
提取正文部分后续再处理。。。