|
|
简介
朋友问我能不能做一个下载他在豆瓣读书上的短评的工具，于是就做了这个“豆瓣用户读书短评下载工具”。
GitHub链接：https://github.com/xiaff/dbc-downloader。
这个小工具使用Python3.4编写，其工作流程为：
- 用户输入其豆瓣ID；
- 抓取用户评论列表网页
- 对网页进行解析；
- 存储评论相关信息；
- 将Markdown格式文件转换为Html。
用到的库主要有：
- urllib.request
- BeautifulSoup4
- markdown
抓取网页
所需要抓取的信息在这样的网页中：http://book.douban.com/people/ahbei/collect?sort=time&start=0&filter=all&mode=grid&tags_sort=count，URL中包含了用户ID（people/之后）、评论序号（start=）等信息。
url_1='http://book.douban.com/people/'
url_2='/collect?sort=time&start='
url_3='&filter=all&mode=grid&tags_sort=count'
url=url_1+uId+url_2+index+url_3,其中 UID 为豆瓣用户ID，index 为评论序号。评论序号从0开始编号，每页显示15条，因为每个url中的序号依次为0、15、30……15*i。 i的最大值即为 网页页数-1，在解析第一张网页的时候可以获取页数。
在抓取网页的时候可以选择使用代理服务器，因此使用urllib.request设置代理：
proxyInfo=input('Please type in your HTTP Proxy: ')
proxySupport=urllib.request.ProxyHandler({'http':proxyInfo})
opener=urllib.request.build_opener(proxySupport)
urllib.request.install_opener(opener)
不过，如果只设置了代理就访问豆瓣的用户读书评论列表，豆瓣会返回403 Forbidden。
解决办法就是添加请求标头（Request Headers）来模拟浏览器访问。 标头信息可以在浏览器中打开网页时按F12进入控制台，在Network选项卡中找到 请求标头（Request Headers） 。
比如，这是我在Edge浏览器中访问豆瓣的请求标头。
head= {
'Accept':'text/html, application/xhtml+xml, image/jxr, */*',
'Accept-Language': 'zh-Hans-CN, zh-Hans; q=0.5',
'Connection':'Keep-Alive',
'Cookie':'bid=lkpO8Id/Kbs; __utma=30149280.1824146216.1438612767.1440248573.1440319237.13; __utmz=30149280.1438612767.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); as=http://book.douban.com/people/133476248/; ll=108288; viewed=26274009_1051580; ap=1; ps=y; ct=y; __utmb=30149280.23.10.1440319237; __utmc=30149280; __utmt_douban=1; _pk_id.100001.3ac3=b288f385b4d73e38.1438657126.3.1440319394.1440248628.; __utma=81379588.142106303.1438657126.1440248573.1440319240.3; __utmz=81379588.1440319240.3.2.utmcsr=movie.douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/; _pk_ses.100001.3ac3=*; __utmb=81379588.23.10.1440319240; __utmt=1; __utmc=81379588; _pk_ref.100001.3ac3=%5B%22%22%2C%22%22%2C1440319240%2C%22http%3A%2F%2Fmovie.douban.com%2F%22%5D',
'Host':'book.douban.com',
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/42.0.2311.135 Safari/537.36 Edge/12.10240'}
然后在访问网页的时候加上header信息：
full_url=urllib.request.Request(url,headers=head)
response=urllib.request.urlopen(full_url)
html=response.read()
这样就可以正确抓取到网页内容了。
解析网页
在我之前一片文章[Python]从豆瓣电影批量获取看过某部电影的用户列表讲过了使用 BeautifulSoup 解析网页了，其实只要看看官方文档就很容易上手了。 这里就不再赘述了。
Markdown转Html
最后一步是将以Markdown格式保存的文件转换成Html文件，这样可以让不熟悉Markdown的人在浏览器中直接查看或者另存为PDF文件。
markdown包可以做到这一点：
md = markdown.markdown(contents)
html = '<html><meta charset="UTF-8">'
html+='<title>'+title+'</title>'
html += "<body>" + md + "</body></html>"
md = markdown.markdown(contents)转换出来的md是不包含<html>标签的，因此需要自己加上这些标签后再保存。
源代码
#coding=utf-8
#Python 3.4
##从豆瓣网页中得到用户的所有读书短评
##网页地址类型：http://book.douban.com/people/1000001/collect?sort=time&start=0&filter=all&mode=grid&tags_sort=count
## http://book.douban.com/people/1000001/collect?sort=time&start=15&filter=all&mode=grid&tags_sort=count
from bs4 import BeautifulSoup
import time
import urllib.request,urllib.parse
from urllib.error import URLError,HTTPError
import os
import markdown
#换行符
lineSep='\n'
#设置HTTP代理
ans=input('Do you want to use a HTTP Proxy (N/y)? ')
ans=ans.lower()
if ans=='y' or ans=='yes':
print('HTTP Proxy formart: IP:PORT \nExample: 127.0.0.1:80')
print('Do NOT contain any unnecessary characters.')
proxyInfo=input('Please type in your HTTP Proxy: ')
proxySupport=urllib.request.ProxyHandler({'http':proxyInfo})
opener=urllib.request.build_opener(proxySupport)
urllib.request.install_opener(opener)
else:
pass
#头信息
head= {
'Accept':'text/html, application/xhtml+xml, image/jxr, */*',
'Accept-Language': 'zh-Hans-CN, zh-Hans; q=0.5',
'Connection':'Keep-Alive',
'Cookie':'bid=lkpO8Id/Kbs; __utma=30149280.1824146216.1438612767.1440248573.1440319237.13; __utmz=30149280.1438612767.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); as=http://book.douban.com/people/133476248/; ll=108288; viewed=26274009_1051580; ap=1; ps=y; ct=y; __utmb=30149280.23.10.1440319237; __utmc=30149280; __utmt_douban=1; _pk_id.100001.3ac3=b288f385b4d73e38.1438657126.3.1440319394.1440248628.; __utma=81379588.142106303.1438657126.1440248573.1440319240.3; __utmz=81379588.1440319240.3.2.utmcsr=movie.douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/; _pk_ses.100001.3ac3=*; __utmb=81379588.23.10.1440319240; __utmt=1; __utmc=81379588; _pk_ref.100001.3ac3=%5B%22%22%2C%22%22%2C1440319240%2C%22http%3A%2F%2Fmovie.douban.com%2F%22%5D',
'Host':'book.douban.com',
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/42.0.2311.135 Safari/537.36 Edge/12.10240'}
#url=url_1+uId+url_2+Index+url_3
url_1='http://book.douban.com/people/'
url_2='/collect?sort=time&start='
url_3='&filter=all&mode=grid&tags_sort=count'
def is_chinese(uchar):
"""判断一个unicode是否是汉字
"""
if uchar >= u'\u4e00' and uchar<=u'\u9fa5':
return True
else:
return False
def isChineseBook(title):
"""判断书名是否为中文书名
"""
for c in title:
if(is_chinese(c)):
return True
return False
def getHtml(url):
"""返回指定的网页内容
"""
print('Loading: '+url+'......')
full_url=urllib.request.Request(url,headers=head)
TRY_TIMES=3
response=None
while TRY_TIMES>0 and response==None :
TRY_TIMES-=1
try:
response=urllib.request.urlopen(full_url) #open=urlopen
except HTTPError as e:
print('HTTP Error:',e.code)
except URLError as e:
print('URL Error: ',e.reason)
if response==None:
print('Error!')
os.system("pause")
exit()
html=response.read()
return html
def getBookComment(html):
"""解析网页并返回5个列表：
书名，出版信息，标记日期，标签，评论
"""
titleList=[] #书名
pubList=[] #出版信息
dateList=[] #标记日期
tagsList=[] #标签
commentList=[] #评论
soup=BeautifulSoup(html,'html.parser')
lis=soup.findAll('li','subject-item')
for li in lis:
infoDiv=li.find('div','info')
commentP=infoDiv.find('p','comment')
if commentP!=None:
a=infoDiv.a
#书名
title1=a.get('title').strip()
title2Span=a.span
if title2Span!=None:
title2=a.span.text.strip()
else:
title2=''
title=title1+title2
c1=title[0]
c2=title[-1]
#如果是中文书名，则加上书名号
if isChineseBook(title):
title=u'《'+title+u'》'
else: #英文书加斜体
title='*'+title+'*'
titleList.append(title)
#出版信息
pubDiv=infoDiv.find('div','pub')
pub=pubDiv.text.strip()
pubList.append(pub)
#标记日期
dataSpan=infoDiv.find('span','date')
words=dataSpan.text.split('\n')
date=words[0]+words[1]
dateList.append(date)
#标签
tagsSpan=infoDiv.find('span','tags')
if tagsSpan!=None:
tags=tagsSpan.text.strip()
else:
tags=''
tagsList.append(tags)
#评论
comment=commentP.text.strip()
commentList.append(comment)
return (titleList,pubList,dateList,tagsList,commentList)
def getHtmlTitle(html):
"""
获取网页标题
"""
soup=BeautifulSoup(html,'html.parser')
title=soup.head.title.text
return title
def clearOldFile(uId):
"""
清除之前已保存的文件
"""
fileName='booksComments_'+uId+'.md'
temp=open(fileName,'w',encoding='utf-8')
temp.close()
def saveBookComment(titleList,pubList,dateList,tagsList,commentList,uId):
"""保存书评至文件
"""
fileName='booksComments_'+uId+'.md'
wf=open(fileName,mode='a',encoding='utf-8')
size=len(titleList)
for i in range(size):
title=titleList
pub=pubList
date=dateList
tags=tagsList
comment=commentList
wf.write('## '+title+lineSep)
wf.write(pub+' '+lineSep)
wf.write(date+' '+lineSep)
wf.write(tags+lineSep+lineSep)
wf.write(comment+lineSep+lineSep)
wf.close()
return fileName
def getPageNum(html):
"""解析第一页网页，返回该用户的书评页数
"""
soup=BeautifulSoup(html,'html.parser')
paginator=soup.find('div','paginator')
pas=paginator.findAll('a')
num=int(pas[-2].text)
return num
def convertMd2Html(mdName,title):
"""
将Markdown文件转换为Html格式文件
"""
htmlName=mdName.replace('.md','.html')
mdFile=open(mdName,'r',encoding='utf-8')
contents=mdFile.read()
mdFile.close()
md = markdown.markdown(contents)
html = '<html><meta charset="UTF-8">'
html+='<title>'+title+'</title>'
html += "<body>" + md + "</body></html>"
htmlFile=open(htmlName,'w',encoding='utf-8')
htmlFile.write(html)
htmlFile.close()
return htmlName
#输入User-Id
print('\nYou can find User-Id in the url.')
print('E.g. Someone\'s homepage\'url is http://book.douban.com/people/1000001/ , the User-Id should be 1000001 .')
uId=input('User-Id: ')
while(uId==''):
uId=input('User-Id: ')
#计数器
count=0
#读取第一页
index=0
url=url=url_1+uId+url_2+str(index)+url_3
html=getHtml(url)
(titleList,pubList,dateList,tagsList,commentList)=getBookComment(html)
htmlTitle=getHtmlTitle(html)
clearOldFile(uId);
fileName=saveBookComment(titleList,pubList,dateList,tagsList,commentList,uId)
count+=len(titleList)
try:
pageNum=getPageNum(html) #用户读过的书的网页页数
except:
pageNum=1
index+=1
#读取后续页
for i in range(index*15,15*pageNum,15):
print('Sleep for 5 seconds.')
time.sleep(5)
print('%d/%d' %(i/15+1,pageNum))
url=url=url_1+uId+url_2+str(i)+url_3
html=getHtml(url)
(titleList,pubList,dateList,tagsList,commentList)=getBookComment(html)
count+=len(titleList)
saveBookComment(titleList,pubList,dateList,tagsList,commentList,uId)
print('\nMission accomplished!')
print('%d comments have been saved to %s.' %(count,fileName))
ans=input('\nDo you want to convert Markdown file to html file(Y/n)?')
ans=ans.lower()
if ans!='n':
htmlName=convertMd2Html(fileName,htmlTitle)
print('Convert success: %s' %htmlName)
os.system("pause")
|
|
QQ群⑧：
窥视卡
雷达卡
发表于 2015-11-30 13:55:59
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
显身卡