设为首页 收藏本站
查看: 1216|回复: 0

[经验分享] python文章采集例子(爬取http://infoq.com)

[复制链接]

尚未签到

发表于 2017-5-6 13:10:09 | 显示全部楼层 |阅读模式
写了个采集http://infoq.com资源的小程序,原理:从infoq.com上读取提供的RESS资源。然后根据资源中相关链接下载相应文章
RESS地址:http://www.infoq.com/cn/rss/rss.action?token=v4OEYqEXG7ltwOPp5IpH34Ky6WdtpXqz

<?xml version="1.0" encoding="UTF-8" ?>
- <rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns="http://purl.org/rss/1.0/" xmlns:taxo="http://purl.org/rss/1.0/modules/taxonomy/" xmlns:sy="http://purl.org/rss/1.0/modules/syndication/" xmlns:dc="http://purl.org/dc/elements/1.1/">
- <channel rdf:about="http://www.infoq.com/cn/">
<title>未注册用户的 InfoQ 个性化 RSS Feed - 请注册后升级!</title>
<link>http://www.infoq.com/cn/</link>
<description>本 RSS Feed 是一个个性化定制的 Feed,对于您在 InfoQ.com 上的帐号(无论注册与否)都是唯一的。您可以从 InfoQ 网站左侧栏中的“您的社区”选项框内选择感兴趣的社区,此外您还可以通过关闭子话题和标签的方式过滤掉您不感兴趣的内容。您所做的选择将影响到本 RSS Feed 显示的新闻——新闻内容将和您在网站首页中央的新闻栏看见的内容保持一致。如果您的 RSS Feed 没有反映出这样的相关性,那么可能是因为您使用的 Feed 链接没有与您的 InfoQ 帐号相关联。为了确保您所使用的 Feed 的正确性,请先在 InfoQ 上注册,然后从网站左侧菜单中的“个性化 RSS”链接获取新的 RSS Feed URL。祝您使用愉快!</description>
- <items>
- <rdf:Seq>
<rdf:li resource="http://www.infoq.com/cn/news/2011/06/petapoco" />
<rdf:li resource="http://www.infoq.com/cn/news/2011/06/Scale-ASPNet-Apps" />
<rdf:li resource="http://www.infoq.com/cn/articles/ck-explore-test-mistakes" />
<rdf:li resource="http://www.infoq.com/cn/news/2011/06/NativeDriver" />
<rdf:li resource="http://www.infoq.com/cn/news/2011/06/Premailer" />
<rdf:li resource="http://www.infoq.com/cn/news/2011/06/learning-from-history" />
<rdf:li resource="http://www.infoq.com/cn/news/2011/06/github-mac" />
<rdf:li resource="http://www.infoq.com/cn/articles/cf-java-object-serialization-rmi" />
<rdf:li resource="http://www.infoq.com/cn/news/2011/06/Win8-Doubt" />
<rdf:li resource="http://www.infoq.com/cn/presentations/lcm-javaee-7-reaching-cloud" />
<rdf:li resource="http://www.infoq.com/cn/articles/raw-notes-redmond" />
<rdf:li resource="http://www.infoq.com/cn/news/2011/06/collective-ownership-bad" />
<rdf:li resource="http://www.infoq.com/cn/news/2011/06/swarchbooks2011" />
<rdf:li resource="http://www.infoq.com/cn/news/2011/06/Micro-42-Beta" />
<rdf:li resource="http://www.infoq.com/cn/articles/wl-silverlight-query" />
</rdf:Seq>
</items>
</channel>
- <item rdf:about="http://www.infoq.com/cn/news/2011/06/petapoco">
<title>PetaPoco:适用于.NET的微型ORM</title>
<link>http://www.infoq.com/cn/news/2011/06/petapoco</link>
<description>>PetaPoco是一款适用于.NET应用程序的对象关系映射器(ORM, Object Relational Mapper)。与那些功能完备的ORM(如NHibernate或Entity Framework)不同的是,PetaPoco更注重易用性和性能,而非丰富的功能。使用PetaPoco只需要引入一个C#文件,可以使用强类型的POCO,并支持
.........


得到一个RESS的标准XML文档,然后解析XML得相关文章信息,再进入解析,最后下载图片,保存文章信息到MYSQL数据库中
下面是代码:

#! /usr/bin/env python
# -*- coding: utf-8 -*-
import urllib
import re,sys
import string
from xml.dom.minidom import parseString
from sgmllib import SGMLParser  
import MySQLdb
reload(sys)
sys.setdefaultencoding('utf8')

class Constants():
#站点
HTML_SITE = "http://www.infoq.com";
#聚体资源
HTML_RESOURCE = HTML_SITE + "/cn/rss/rss.action?token=v4OEYqEXG7ltwOPp5IpH34Ky6WdtpXqz";  
#数据库配置
DB_HOST = "localhost"     
#数据库用户名
DB_USER = "root"
#数据库密码
DB_PASSWORD = "root"
#数据库
DB_DATABASE = "test"
#数据库连接编码集
CHARSET = "utf8"
#代理服务器
PROXY_ADRESS = ""
#代理用户名
PROXY_USERNAME = ""
#代理用户密码
PROXY_PASSWORD = ""
#图片本地保存路径
IMG_LOCALDSTDIR = "E:/image/"

class ListUrls(SGMLParser):  
def reset(self):  
self.imgs = []  
SGMLParser.reset(self)  
def start_img(self, attrs):  
src = [v for k, v in attrs if k == 'src']  
if src:  
self.imgs.extend(src)
#数据库工具类
class DBUTIL():
def  getConnectionDB(self):
try:
conn = MySQLdb.connect(host=Constants.DB_HOST, user=Constants.DB_USER, passwd=Constants.DB_PASSWORD, db=Constants.DB_DATABASE, charset=Constants.CHARSET)
return conn
except:
print "EROOR: get ConnectionDB is FAIL"
#文章对象用于从网站中爬取然后存储在DB中
class  actrict():
title = ''
link = ''
description = ''
creator = ''
createdate = ''
identifier = ''
content = ''
class webcrawlerhttpurl():
#获取HTML内容   
def getUrlInfo(self, weburl):
try :
#proxyConfig = 'http://%s:%s@%s' % (Constants.PROXY_USERNAME, Constants.PROXY_PASSWORD, Constants.PROXY_ADRESS)
#inforMation = urllib.urlopen(weburl, proxies={'http':proxyConfig})
inforMation = urllib.urlopen(weburl)
#header = inforMation.info()            
#contentType = header.getheader('Content-Type')           
status = inforMation.getcode()           
if status == 200:            
html = inforMation.readlines()                        
return html   
else:
return 'ERROR: get web %s% is fail and status=%s' % (weburl, status);
except:
print 'ERROR: get web %s% is fail' % (weburl);
finally:
inforMation.close()   
#解析HTML
def parseHtml(self, html, link):
try:
#body是一个list,需要转成string
document = ""
for line in html:
if line.split():
document = document + line               
#title
title = document[re.search("title>", document).end():]   
title = title[:re.search("title>", title).end() - 8]
#content
content = document[re.search("box-content-5", document).end():]
content = content[:re.search("bottom-corners", content).end()]  
content = document[re.search("<!-- AddThis Button END -->", document).end():]  
content = content[:re.search("<script type='text/javascript'>", content).end() - 33]
content = content.replace("'", "\\'")
except:
print 'ERROR:PARSEHTML IS FAIL %s' % (link)        
return content
#解析RESS然后访问其中每个具体资源
def parseRessXml(self, xml_file):  
#body是一个list,需要转成string
document = ""
for line in xml_file:
document = document + line            
doc = parseString(document)
pkgs = doc.getElementsByTagName("item")            
#遍历所有的资源地址
i = 0;
for pkg in pkgs:
try:
i = i + 1
print '-------------------PARSE HTML (%s)-----------------' % (i)
title = pkg.getElementsByTagName("title")
title = self.getText(title[0].childNodes)
link = pkg.getElementsByTagName("link")
link = self.getText(link[0].childNodes)
description = pkg.getElementsByTagName("description")
description = self.getText(description[0].childNodes)
creator = pkg.getElementsByTagName("dc:creator")
creator = self.getText(creator[0].childNodes)
createdate = pkg.getElementsByTagName("dc:date")
createdate = self.getText(createdate[0].childNodes)
identifier = pkg.getElementsByTagName("dc:identifier")
identifier = self.getText(identifier[0].childNodes)
#判断文章是否已存在
conn = DBUTIL().getConnectionDB()
cur = conn.cursor()                       
SQL = "SELECT COUNT(1) FROM ARTICLES WHERE identifier='%s'"%(identifier)
cur.execute(SQL)
alldata = cur.fetchall()
if alldata[0][0] != 0:
print "Warning: DB already exist for this article"
continue;
#解析Html返回文章内容
content = self.parseHtml(self.getUrlInfo(link), link)
#存储图片文件到本地
lister = ListUrls()
lister.feed(content)
self.saveimg(lister.imgs)
for img in lister.imgs:
content = content.replace(img,Constants.IMG_LOCALDSTDIR +"/" + img.split("/")[-1].split(";")[0])
#封装成actrict类
actrict.title = title
actrict.link = link
actrict.identifier = identifier
actrict.description = description
actrict.createdate = createdate
actrict.creator = creator
actrict.content = content
#进行存本地数据库
self.putDB(actrict)
except :
print "ERROR: PARSE_XMLRESS IS FAIL%s" % (link)
#解析XML取字符
def getText(self, nodelist):
rc = ""
for node in nodelist:
if node.nodeType == node.TEXT_NODE:
rc = rc + node.data
return rc
#保存图片文件
def saveimg(self, imgs):
for img in imgs :
try:
if string.find(img, 'http') != 0:
img = Constants.HTML_SITE + img
DstDir = Constants.IMG_LOCALDSTDIR         
imgPath = DstDir + img.split("/")[-1].split(";")[0]
print imgPath
File = open(imgPath, "wb")
#proxyConfig = 'http://%s:%s@%s' % (Constants.PROXY_USERNAME, Constants.PROXY_PASSWORD, Constants.PROXY_ADRESS)
#inforMation = urllib.urlopen(img, proxies={'http':proxyConfig})
inforMation = urllib.urlopen(img)
jpg = inforMation.read()
File.write(jpg)
print("INFO: SAVE IMG:" + imgPath)
except :
print "ERROR: SAVA IMG IS FAIL:%s" % (img)
finally:
inforMation.close()
File.close()
#存储DB
def putDB(self, actrict):
title = actrict.title
link = actrict.link
identifier = actrict.identifier
description = actrict.description
createdate = actrict.createdate
creator = actrict.creator
content = actrict.content
print title
try:   
conn = DBUTIL().getConnectionDB()
cur = conn.cursor()                       
SQL = "INSERT INTO ARTICLES(title,link,identifier,description,createdate,creator,content)VALUES\
('%s','%s','%s','%s','%s','%s','%s')" % (title, link, identifier, description, createdate, creator, content)
cur.execute(SQL)
conn.commit()
print "INFO: SAVE ACTRICT IS SUCCESSFUL"
except :
print "ERROR: SAVE ACTRICT IS FAIL"
finally:     
cur.close()      
conn.close()

if __name__ == "__main__":
webcrawler = webcrawlerhttpurl();
xml_file = webcrawler.getUrlInfo(Constants.HTML_RESOURCE)   
webcrawler.parseRessXml(xml_file)

'''
CREATE TABLE `ARTICLES` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`title` varchar(500) DEFAULT NULL COMMENT '文章标题',
`link` varchar(500) DEFAULT NULL COMMENT '文章完整链接',
`description` varchar(5000) DEFAULT NULL COMMENT '描述信息',
`creator` varchar(200) DEFAULT NULL COMMENT '作者',
`createdate` varchar(200) DEFAULT NULL COMMENT '发布时间',
`identifier` varchar(500) DEFAULT NULL COMMENT '关键字,用于区分文章是否已存在',
`content` longtext COMMENT '内容',
PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=4 DEFAULT CHARSET=utf8
'''


------------------------------
DSC0000.png
提供源码下载:

运维网声明 1、欢迎大家加入本站运维交流群:群②:261659950 群⑤:202807635 群⑦870801961 群⑧679858003
2、本站所有主题由该帖子作者发表,该帖子作者与运维网享有帖子相关版权
3、所有作品的著作权均归原作者享有,请您和我们一样尊重他人的著作权等合法权益。如果您对作品感到满意,请购买正版
4、禁止制作、复制、发布和传播具有反动、淫秽、色情、暴力、凶杀等内容的信息,一经发现立即删除。若您因此触犯法律,一切后果自负,我们对此不承担任何责任
5、所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其内容的准确性、可靠性、正当性、安全性、合法性等负责,亦不承担任何法律责任
6、所有作品仅供您个人学习、研究或欣赏,不得用于商业或者其他用途,否则,一切后果均由您自己承担,我们对此不承担任何法律责任
7、如涉及侵犯版权等问题,请您及时通知我们,我们将立即采取措施予以解决
8、联系人Email:admin@iyunv.com 网址:www.yunweiku.com

所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其承担任何法律责任,如涉及侵犯版权等问题,请您及时通知我们,我们将立即处理,联系人Email:kefu@iyunv.com,QQ:1061981298 本贴地址:https://www.yunweiku.com/thread-373850-1-1.html 上篇帖子: python中匹配中文以及网站名等(基于正则表达式) 下篇帖子: 用Python去解析XML报文 V1.1
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

扫码加入运维网微信交流群X

扫码加入运维网微信交流群

扫描二维码加入运维网微信交流群,最新一手资源尽在官方微信交流群!快快加入我们吧...

扫描微信二维码查看详情

客服E-mail:kefu@iyunv.com 客服QQ:1061981298


QQ群⑦:运维网交流群⑦ QQ群⑧:运维网交流群⑧ k8s群:运维网kubernetes交流群


提醒:禁止发布任何违反国家法律、法规的言论与图片等内容;本站内容均来自个人观点与网络等信息,非本站认同之观点.


本站大部分资源是网友从网上搜集分享而来,其版权均归原作者及其网站所有,我们尊重他人的合法权益,如有内容侵犯您的合法权益,请及时与我们联系进行核实删除!



合作伙伴: 青云cloud

快速回复 返回顶部 返回列表