骚操作！曾经爱过！用 Python 清理收藏夹里已失效的网站

前言

本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：小詹&有乔木

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

http://note.youdao.com/noteshare?id=3054cce4add8a909e784ad934f956cef

失效的书签们

我们日常浏览网站的时候，时不时会遇到些新奇的东西（你懂的.jpg ），于是我们就默默的点了个收藏或者加书签。然而当我们面对成百上千的书签和收藏夹的时候，总会头疼不已……

尤其是昨天还在更新的程序设计博客，今天就挂了永不更新。或者是昨天看的起劲的电影网站，今天直接404。失效页面这么多，每次我打开才知道失效了，并且需要手动删除，这能是一个程序员干的事情吗？

可是无论是Google浏览器还是国内浏览器，最多也就提供一个对于收藏夹的备份服务，那只能Python走起了。

Python支持的收藏夹文件格式

对于收藏夹提供的支持很少，主要还是因为收藏夹藏在浏览器里面，我们只能手动导出htm文件进行管理

内容比较简单，对前端没什么了解的我，也可以很明显看出其中的树形结构和内在逻辑。固定格式网址固定格式页面名固定格式

很简单的想到了正则匹配，其中有两个子串。提取出来再挨个访问，看看哪个失效了，就删除，就能获得清理后的收藏夹了。

读取收藏夹文件

 path = "C:\\Users\\XU\\Desktop"

 

 fname = "bookmarks.html"

 

 os.chdir(path)

 

 bookmarks_f = open(fname, "r+" ,encoding='UTF-8')

 

 booklists = bookmarks_f.readlines()

 

 bookmarks_f.close()

因为对于前端的不熟悉，这个导出的收藏夹可以抽象的分

结构代码
保存网页书签的关键代码

其中结构代码我们不能动，要原封不动的保留，而保存网页书签的关键代码，我们要提取内容并且进行判断保留和删除。

所以这里采用readlines函数，每行读取，单独判断。

正则匹配

 pattern = r'HREF="(.*?)" .*?>(.*?)</A>'

 while len(booklists)>0:

     bookmark = booklists.pop(0)

     detail = re.search(pattern, bookmark)

如果是关键代码：提取出的子串在 detail.group(1) 和 detail.group(2) 里面

而如果是结构代码：detail == None

访问页面

 import requests

 r = requests.get(detail.group(1),timeout=500)

编代码尝试之后发现会有这四种情况

r.status_code == requests.codes.ok
r.status_code==404
r.status_code!=404 && 无法访问（可能是屏蔽爬虫，建议保留）
requests.exceptions.ConnectionError

类似知乎、简书基本都反爬了，所以简单的get还不能有效访问，细节不值得大费周章，直接保留就好。而error，直接用try抛出异常就好，不然程序会停止运行。

添加逻辑后：（代码可左右拖动）

 while len(booklists)>0:

     bookmark = booklists.pop(0)

     detail = re.search(pattern, bookmark)

     if detail:

         #print(detail.group(1) +"----"+ detail.group(2))

         try:

         #访问

             r = requests.get(detail.group(1),timeout=500)

         #如果可则添加

             if  r.status_code == requests.codes.ok:

                 new_lists.append(bookmark)

                 print( "ok------ 保留："+ detail.group(1)+"   "+ detail.group(2))

             else:

                 if(r.status_code==404):

                     print("不可访问 删除："+ detail.group(1)+"   "+ detail.group(2) +'错误码 '+str(r.status_code))

                 else:

                     print("其他原因 保留："+ detail.group(1)+"   "+ detail.group(2) +'错误码 '+str(r.status_code))

                     new_lists.append(bookmark)

         except:

             print( "不可访问 删除："+ detail.group(1)+"   "+ detail.group(2))

             #new_lists.append(bookmark)

     else:#没匹配到是结构语句

         new_lists.append(bookmark)

程序执行情况

导出htm

 bookmarks_f = open('new_'+fname, "w+" ,encoding='UTF-8')

 bookmarks_f.writelines(new_lists)

 bookmarks_f.close()

导入浏览器

实际应用于我的浏览器

。