[Python学习] 简单爬取CSDN下载资源信息

这是一篇Python爬取CSDN下载资源信息的样例，主要是通过urllib2获取CSDN某个人全部资源的资源URL、资源名称、下载次数、分数等信息。写这篇文章的原因是我想获取自己的资源全部的评论信息。可是因为评论採用JS暂时载入。所以这篇文章先简介怎样人工分析HTML页面爬取信息。

源码

# coding=utf-8
import urllib
import time
import re
import os

#**************************************************
#第一步 遍历获取每页相应主题的URL
#http://download.csdn.net/user/eastmount/uploads/1
#http://download.csdn.net/user/eastmount/uploads/8
#**************************************************

num=1 #记录资源总数 共46个资源
number=1 #记录列表总数1-8
fileurl=open('csdn_url.txt','w+')
fileurl.write('****************获取资源URL*************\n\n')

while number<9:
    url='http://download.csdn.net/user/eastmount/uploads/' + str(number)
    fileurl.write('下载列表URL:'+url+'\n\n')
    print unicode('下载列表URL:'+url,'utf-8')
    content=urllib.urlopen(url).read()
    open('csdn.html','w+').write(content)

    #获取包括URL块内容 匹配须要计算</div>个数
    start=content.find(r'<div class="list-container mb-bg">')
    end=content.find(r'<div class="page_nav">')
    cutcontent=content[start:end]
    #print cutcontent

    #获取块内容中URL
    #形如<dt><div><img 图标></div><h3><a href>标题</a></h3></dt>
    res_dt = r'<dt>(.*?)</dt>'
    m_dt =  re.findall(res_dt,cutcontent,re.S|re.M)
    for obj in m_dt:
        #记录URL数量
        print '******************************************'
        print '第'+str(num)+'个资源'
        fileurl.write('******************************************\n')
        fileurl.write('第'+str(num)+'个资源\n')
        num = num +1
        #获取详细URL
        url_list = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?

(?=\')", obj)
        for url in url_list:
            url_load='http://download.csdn.net'+url
            print 'URL： '+url_load
            fileurl.write('URL： http://download.csdn.net'+url+'\n')
        #获取资源标题
        #<a href="/detail/eastmount/8757243">MFC显示BMP图片</a>
        res_title = r'<a href=.*?>(.*?)</a>'
        title = re.findall(res_title,obj,re.S|re.M)
        for t in title:
            print unicode('Title: ' + t,'utf-8')
            fileurl.write('Title： ' + t +'\n')

        #**************************************************
        #第二步 遍历详细资源的内容及评论
        #http://download.csdn.net/detail/eastmount/8785591
        #**************************************************

        #定位指定结构化信息盒Infobox
        resources = urllib.urlopen(url_load).read()
        open('resource.html','w+').write(resources)
        start_res=resources.find(r'<div class="wraper-info">')
        end_res=resources.find(r'<div class="enter-link">')
        infobox=resources[start_res:end_res]

        #获取资源积分、下载次数、资源类型、资源大小(前4个<span></span>)
        res_span = r'<span>(.*?)</span>'
        m_span = re.findall(res_span,infobox,re.S|re.M)
        print '资源积分： '+m_span[0]
        fileurl.write('资源积分: ' + m_span[0] +'\n')
        print '下载次数： '+m_span[1]
        fileurl.write('下载次数: ' + m_span[1] +'\n')
        print '资源类型： '+m_span[2]
        fileurl.write('资源类型: ' + m_span[2] +'\n')
        print '资源大小： '+m_span[3]
        fileurl.write('资源大小: ' + m_span[3] +'\n')

        #**************************************************
        #第三步 怎样获取评论
        #http://jeanphix.me/Ghost.py/
        #http://segmentfault.com/q/1010000000143340
        #http://casperjs.org/
        #**************************************************

    else:
        fileurl.write('******************************************\n\n')
        print '******************************************\n'
        print 'Load Next List\n'
        number = number+1 #列表加1
#退出全部循环
else:
    fileurl.close()

显示结果

        显示内容包含资源URL、资源标题、资源积分、下载次数、资源类型和资源大小：

        比方如今爬取郭霖大神的资源信息。当中页面链接例如以下：(共7页)

              http://download.csdn.net/user/sinyu890807/uploads/1

              http://download.csdn.net/user/sinyu890807/uploads/7

        简单改动Python源码URL后，下载页面例如以下图所看到的：

        执行结果例如以下图所看到的：

HTML分析

        首先。获取每列中的全部资源的URL和标题，通过分析源码。

<dt>
   <div class="icon"><img src="/images/minetype/rar.gif" title="rar文件"></div>
   <div class="btns"></div>
   <h3><a href="/detail/eastmount/8772951">
          MFC 图像处理之几何运算 图像平移旋转缩放镜像(源代码)</a>
       <span class="points">0</span>
   </h3>
</dt>
<dd class="meta">上传者：
    <a class="user_name" href="/user/eastmount">eastmount</a>
         | 上传时间：2015-06-04
         | 下载26次
</dd>
<dd class="intro">
        该资源主要參考我的博客【数字图像处理】六.MFC空间几何变换之图像平移、镜像、旋转
        缩放具体解释，主要讲述基于VC++6.0 MFC图像处理的应用知识，要通过MFC单文档视图实现显
        示BMP图片。
</dd>
<dd class="tag">
     <a href="/tag/MFC">MFC</a>
     <a href="/tag/%E5%9B%BE%E5%83%8F%E5%A4%84%E7%90%86">图像处理</a><
</dd>

相应的HTML显演示样例如以下图所看到的：

        然后通过URL去到详细的资源获取我自己称为像消息盒的信息：

        相应审查元素的信息例如以下所看到的。获取<span>0分</span>就可以：

        最后我想做的事获取评论信息，可是它是通过JS实现的：

<div class="section-list panel panel-default">
   <div class="panel-heading">
      <h3 class="panel-title">资源评论</h3>
   </div>
   <!-- recommand -->
   <script language='JavaScript' defer type='text/javascript'         

src='/js/comment.js'></script>
   <div class="recommand download_comment panel-body" sourceid="8772951"></div>
</div>

显示的JS页面部分例如以下：

var base_url= (window.location.host.substring(0,5)=='local') ? 'http://local.downloadv3.csdn.net' : 'http://download.csdn.net';
base_url = "";
$(document).ready(function(){

	CC_Comment.initConfig();
	CC_Comment.getContent(1);
});
var CC_Comment =
{
	sourceid:0,
	initConfig:function()
	{
		var sid = parseInt($(".download_comment").attr('sourceid'));
		if(isNaN(sid) || sid<=0)
		{
			this.sourceid = 0;
		}else
		{
			this.sourceid = sid;
		}

	}
....
}

最后希望文章对你有所帮助吧！

下一篇准备分析下Python怎样获取JS的评论信息，同一时候该篇文章能够给你提供一种简单的人工分析页面的样例；也能够获取某个人CSDN资源下载多、分数高的给你挑选。基础知识，仅供參考~

      （By:Eastmount 2015-7-21 下午5点   http://blog.csdn.net/eastmount/）