版权声明：本文为博主原创文章。未经博主同意不得转载。

https://blog.csdn.net/nealgavin/article/details/27230679

CSDN原则上不让非人浏览訪问。正常爬虫无法从这里爬取文章，须要进行模拟人为浏览器訪问。

使用：输入带文章的CSDN链接自己主动生成正文的HTML，文件名称为标题名

#!/usr/bin/env python

# coding=utf-8

#########################################

	#> File Name: CSDN_article.py

	#> Author: nealgavin

	#> Mail: nealgavin@126.com

	#> Created Time: Tue 27 May 2014 03:42:54 PM CST

#########################################

import random

import socket

import urllib2

import urllib

import re

import string

import BeautifulSoup

import sys

import cookielib

ERROR = {

        '0':'Can not open the url,checck you net',

        '1':'Creat download dir error',

        '2':'The image links is empty',

        '3':'Download faild',

        '4':'Build soup error,the html is empty',

        '5':'Can not save the image to your disk',

    }

class BrowserBase(object):

    """模拟浏览器"""

    def __init__(self):

        socket.setdefaulttimeout(20)

        self.HTML = ''

        self.articleName = ''

        self.link = ''

    def speak(self,name,content):

        print '[%s]%s' %(name,content)

    def openurl(self,url):

        """

        打开网页

        """

        cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())

        self.opener = urllib2.build_opener(cookie_support,urllib2.HTTPHandler)

        urllib2.install_opener(self.opener)

        user_agents = [

                    'Mozilla/5.0 (Windows; U; Windows NT 5.1; it; rv:1.8.1.11) Gecko/20071127 Firefox/2.0.0.11',

                    'Opera/9.25 (Windows NT 5.1; U; en)',

                    'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)',

                    'Mozilla/5.0 (compatible; Konqueror/3.5; Linux) KHTML/3.5.5 (like Gecko) (Kubuntu)',

                    'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.8.0.12) Gecko/20070731 Ubuntu/dapper-security Firefox/1.5.0.12',

                    'Lynx/2.8.5rel.1 libwww-FM/2.14 SSL-MM/1.4.1 GNUTLS/1.2.9',

                    "Mozilla/5.0 (X11; Linux i686) AppleWebKit/535.7 (KHTML, like Gecko) Ubuntu/11.04 Chromium/16.0.912.77 Chrome/16.0.912.77 Safari/535.7",

                    "Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:10.0) Gecko/20100101 Firefox/10.0 ",

                    ] 

        agent = random.choice(user_agents)

        self.opener.addheaders = [("User-agent",agent),("Accept","*/*"),('Referer','http://www.google.com')]

        try:

            res = self.opener.open(url)

            self.HTML = res.read()

#            print res.read()

        except Exception,e:

            self.speak(str(e),url)

            raise Exception

        else:

            return res

    def OUT(self):

        print self.HTML

    def getArticleName(self,tags):

        re_rules = r'<span class="(.+?)"><a href="(.+?)">(.+?)</a>'

        p = re.compile(re_rules,re.DOTALL)

        title = p.findall(str(tags))

        self.chineseListOut(title)

    def chineseListOut(self,tags):

        title = []

        for tag in tags:

            for ele in tag:

#                print '+',str(ele),'-'

                title.append(ele.strip())

        self.link = "http://blog.csdn.net" + title[1]

        tle = title[2].split()

        self.articleName = '-'.join(tle)

    def buildArticleHTML(self):

        self.HTML = str(self.HTML)

        self.HTML = '<html><meta charset="utf-8"><body>'+self.HTML

        self.HTML = self.HTML + '</body><html>'

    def getMainArticle(self):

        """get the main article of CSDN blog"""

        soup = BeautifulSoup.BeautifulSoup(self.HTML)

        tags_all = soup.findAll('div',{'class':'article_title'})

        self.getArticleName(tags_all)

        tags_all = soup.findAll('div',{'id':'article_content','class':'article_content'})

        self.HTML = tags_all[0]

        self.buildArticleHTML()

    def saveArticleAsHTML(self):

        filePath = self.articleName+'.html'

        try:

            filePointer = open(filePath,'w+')

        except:

            print 'open error'

        print 'path = ',filePath

        filePointer.write(self.HTML)

        filePointer.close()

browser = BrowserBase()

url = raw_input('Input the links of CSDN article you needed!\n')

if url is None or len(url) == 0:

    url = "http://blog.csdn.net/nealgavin/article/details/27110717"

browser.openurl(url)

browser.getMainArticle()

browser.saveArticleAsHTML()

python爬虫CSDN文章抓取的更多相关文章

  1. 如何让Python爬虫一天抓取100万张网页

    前言 文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理. 作者: 王平 源自:猿人学Python PS:如有需要Python学习资料的 ...

  2. CSDN文章抓取

    在抓取网页的时候只想抓取主要的文本框,例如 csdn 中的主要文本框为下图红色框: 抓取的思想是,利用 bs4 查找所有的 div,用正则筛选出每个 div 里面的中文,找到中文字数最多的 div 就 ...

  3. 芝麻HTTP：Python爬虫实战之抓取爱问知识人问题并保存至数据库

    本次为大家带来的是抓取爱问知识人的问题并将问题和答案保存到数据库的方法,涉及的内容包括: Urllib的用法及异常处理 Beautiful Soup的简单应用 MySQLdb的基础用法 正则表达式的简 ...

  4. python爬虫 前程无忧网页抓取

    Python爬虫视频教程零基础小白到scrapy爬虫高手-轻松入门 https://item.taobao.com/item.htm?spm=a1z38n.10677092.0.0.482434a6E ...

  5. Python爬虫之一 PySpider 抓取淘宝MM的个人信息和图片

    ySpider 是一个非常方便并且功能强大的爬虫框架,支持多线程爬取.JS动态解析,提供了可操作界面.出错重试.定时爬取等等的功能,使用非常人性化. 本篇通过做一个PySpider 项目,来理解 Py ...

  6. 【Python爬虫基础】抓取知乎页面所有图片

    抓取地址所有图片 #! /usr/bin/env python from urlparse import urlsplit from os.path import basename import ur ...

  7. 芝麻HTTP：Python爬虫实战之抓取淘宝MM照片

    本篇目标 1.抓取淘宝MM的姓名,头像,年龄 2.抓取每一个MM的资料简介以及写真图片 3.把每一个MM的写真图片按照文件夹保存到本地 4.熟悉文件保存的过程 1.URL的格式 在这里我们用到的URL ...

  8. 【Python爬虫程序】抓取MM131美女图片，并将这些图片下载到本地指定文件夹。

    一.项目名称 抓取MM131美女写真图片,并将这些图片下载到本地指定文件夹. 共有6种类型的美女图片: 性感美女 清纯美眉 美女校花 性感车模 旗袍美女 明星写真 抓取后的效果图如下,每个图集是一个独 ...

  9. 第三百四十一节，Python分布式爬虫打造搜索引擎Scrapy精讲—编写spiders爬虫文件循环抓取内容—meta属性返回指定值给回调函数—Scrapy内置图片下载器

    第三百四十一节,Python分布式爬虫打造搜索引擎Scrapy精讲—编写spiders爬虫文件循环抓取内容—meta属性返回指定值给回调函数—Scrapy内置图片下载器 编写spiders爬虫文件循环 ...

随机推荐

  1. Git和GitHub入门基础

    -----------------------------------------//cd F:/learngit // 创建仓库git init  // 在当前目录下创建空的git仓库------- ...

  2. 二叉查找树（BST）的性质

    二叉查找树的性质: 1.左子树上所有结点的值均小于或等于它的根结点的值. 2.右子树上所有结点的值均大于或等于它的根结点的值. 3.左.右子树也分别为二叉排序树. 下图中这棵树,就是一颗典型的二叉查找 ...

  3. Church 整数前驱的推导

    Church 整数前驱的推导比其后继复杂得多,wiki中一个前驱的定义据王垠的博客里说,是他一个数学系的同学花一星期时间推导出来的, 其定义确实比其它介绍lambda的文章中用pair来实现(据说是图 ...

  4. PHP中常见问题总结

    [1]页面之间无法传递变量 get,post,session在最新的php版本中自动全局变量是关闭的,所以要从上一页面取得提交过来得变量要使用$_GET['foo'],$_POST['foo'],$_ ...

  5. 推荐系统之基于图的推荐：基于随机游走的PersonalRank算法

    转自http://blog.csdn.net/sinat_33741547/article/details/53002524 一 基本概念 基于图的模型是推荐系统中相当重要的一种方法,以下内容的基本思 ...

  6. Esper学习之三：进程模型

    之前对Esper所能处理的事件结构进行了概述,并结合了例子进行讲解,不清楚的同学请看Esper学习之二:事件类型.今天主要为大家解释一下Esper是怎么处理事件的,即Esper的进程模型. 1.Upd ...

  7. vue笔记 - 生命周期第二次学习与理解

    对于刚接触vue一两个月.才仅仅独立做过一两个vue项目的小白来说,以前一直自我感觉自己知道vue的生命周期, 直到前两天去面试,面试官让我说一下vue的生命周期... 其实我的心中是有那张图的,但是 ...

  8. git分支的相关问题

    场景:github上准备展示vue打包的项目,做预览的功能,首先创建了分支,gh-page,然后成功将dist文件上传到了gh-page分支中,但是,在Settings的时候,发现 并没有gh-pag ...

  9. [原]关闭selinux

    检查selinux状态 [root@controller0 ~]# getenforce enforcing #disabled表示关闭状态 enforcing表示开启状 临时关闭selinux(不用 ...

  10. Robotium源码解读-native控件/webview元素的获取和操作

    目前比较有名的Uitest框架有Uiautomator/Robotium/Appium,由于一直对webview元素的获取和操作比较好奇,另外Robotium代码量也不是很大,因此打算学习一下. 一. ...