将文章保存，并更换图片的地址为本地地址

andrew_a

发布于 2019-07-30 13:09:12

1.4K0

发布于 2019-07-30 13:09:12

文章被收录于专栏：Python爬虫与数据分析

好久都没发了，今天发的是对前面几篇文章的总结

爬取的内容：csdn的博客内容

爬取的方式：Python的库urllib、requests

爬取内容的解析方式：xpath

内容存储方式：将csdn文章部分保存为文件，格式TXT，图片另存，动态图片的格式为gif，其他的为jpg。其他的信息保存在mysql数据库

工具：Pycharm

结果：图片地址为本地地址

下面就是实现具体方式

一、爬取csdn的文章内容

因为只是小批量爬取，所以直接使用requests.get。简单，快捷。

先爬取分类，解析分类的url，根据分类的url去访问每个页面，获取文章列表，再获取详细的文章内容。

代码实现；基本每一行都有注释

获取分类url和分类名：

'''
请求分类数据
:return:
'''
xpath_nav = 'div[@class="container clearfix"]/nav[@class="clearfix"]/div[@class="clearfix"]/div[@class="nav_com"]/ul/li/a'
# 请求url
page = requests.get(self.url)
# 使用xpath解析
nav_html = etree.HTML(page.text)
# 获取分类的url和name
nav_urls = nav_html.xpath(
    '//%s/@href' % xpath_nav)
nav_titles = nav_html.xpath(
    '//%s//text()' % xpath_nav)
for i in range(len(nav_urls)):
    # 判断分类的url是不是区块链的链接
    if nav_urls[i] == 'https://blockchain.csdn.net':
        nav_url = nav_urls[i]
    else:
        # 如果不是，url需要拼接
        nav_url = self.url + nav_urls[i]
    # 调用方法获取博客列表及内容
    self.content_article(nav_url, nav_titles[i])

二、根据分类的url取内容，

# 不是区块链博客
if nav_url != 'https://blockchain.csdn.net':
    # 根据分类获得HTML标签的class内容
    if nav_url.split('/')[-1] == '':
        ele = 'home'
    else:
        ele = nav_url.split('/')[-1]
    param = 'ul[@class="feedlist_mod %s"]/li[@class="clearfix"]/div[@class="list_con"]' % ele
    # 根据分类url请求文章列表
    page = requests.get(nav_url)
    blog_list_html = etree.HTML(page.text)
    if blog_list_html != '' and blog_list_html != None:
        # 博客文章的url
        global blog_list_urls
        blog_list_urls = blog_list_html.xpath('//%s/div[@class="title"]/h2/a/@href' % param)
        # 博客文章的name
        global blog_list_titles
        blog_list_titles = blog_list_html.xpath('//%s/div[@class="title"]/h2/a//text()' % param)
        # 作者
        global blog_list_authors
        blog_list_authors = blog_list_html.xpath('//%s/dl[@class="list_userbar"]/dd[@class="name"]/a//text()' % param)
        # 博客文章的阅读数量
        global blog_list_read_num
        blog_list_read_num = blog_list_html.xpath('//%s/dl[@class="list_userbar"]/div[@class="interactive floatR"]/dd[@class="read_num"]/a/span[@class="num"]//text()' % param)
        # 博客文章的评论数量
        global blog_list_common_num
        blog_list_common_num = blog_list_html.xpath('//%s/dl[@class="list_userbar"]/div[@class="interactive floatR"]/dd[@class="common_num "]/a/span[@class="num"]//text()' % param)
elif nav_url == 'https://blockchain.csdn.net':
    page = requests.get(nav_url)
    blog_list_html = etree.HTML(page.text)
    param = 'div[@id="content"]/ul[@class="list"]/li[@class="zixun_img"]'
    param_2 = 'div[@class="cont"]/div[@class="fr right_cont"]/div[@class="bot_info"]'
    # 博客文章的url
    blog_list_urls = blog_list_html.xpath('//%s/a/@href' % param)
    # 博客文章的name
    blog_list_titles = blog_list_html.xpath('//%s/a//text()' % param)

    # 作者
    blog_list_authors = blog_list_html.xpath(
        '//%s/%s/a[@class="nick_name fl"]//text()' % (param, param_2))
    # 博客文章的阅读数量
    blog_list_read_num = blog_list_html.xpath(
        '//%s/%s/span[@class="num fr"]//text()' % (param, param_2))
    # 博客文章的评论数量
    blog_list_common_num = blog_list_html.xpath('//%s/%s/span[@class="comment fr"]//text()' % (param, param_2))

# 判断获取评论的值的个数和url是否一致
if len(blog_list_urls) > len(blog_list_common_num):
    for i in range(len(blog_list_urls)-len(blog_list_common_num)):
        blog_list_common_num.append('0')
if len(blog_list_urls) > len(blog_list_read_num):
    for i in range(len(blog_list_urls) - len(blog_list_read_num)):
        blog_list_read_num.append('0')

# 循环取出文章的标题及其他内容
for i in range(len(blog_list_titles)):
    # 访问文章的url
    page = requests.get(blog_list_urls[i])
    content_html = etree.HTML(page.text)
    # 文章的内容
    article_list_contents = content_html.xpath(
        '//div[@class="blog-content-box"]/article/div[@class="article_content clearfix csdn-tracking-statistics"]/div[@class="htmledit_views"]')
    # 发布时间
    publish_time = content_html.xpath(
        '//div[@class="blog-content-box"]/div[@class="article-header-box"]/div[@class="article-header"]/div[@class="article-info-box"]/div[@class="article-bar-top"]/span[@class="time"]//text()')
    # csdn有的页面富文本标签不一样,有的文章是用markdown，有的是用富文本编辑器，所以标签有区别
    if len(article_list_contents) == 0:
        article_list_contents = content_html.xpath(
            '//div[@id="article_content"]/div[1]')
    if len(article_list_contents) == 0:
        log.logger.info('该文章里没有找到内容:' + blog_list_urls[i])
        continue
    # 取出内容
    for j in range(len(article_list_contents)):

        # 调用方法,保存内容及图片到文件服务器,返回路径
        content_path = self.replace_content(article_list_contents[j], blog_list_urls[i])

        # 将其他信息插入数据库
        self.insert_mysql(str(blog_list_titles[i]).strip(), nav_title, blog_list_urls[i], str(blog_list_authors[i]).strip()
                          , str(publish_time[0]).strip(),
                      blog_list_read_num[i], blog_list_common_num[i], content_path)

由于csdn中区块链分类的所有的标签和其他的都不一样，所以就做了一个if判断，看着有点烦，有更好的方法的可以留言告诉我。

三、内容已经获取到，下来就是保存到文件和数据库

调用方法replace_content，代码如下：

'''

:param content:
:param article_url:
:return: 文件路径
'''

reg = r'src="(.+?)"'
content = etree.tostring(content).decode('utf8')
content = unescape(content)
imgre = re.compile(reg)
imglist = re.findall(imgre, content)
if len(imglist) != 0:
    # 循环
    for i in range(len(imglist)):
        # 将图片的url转为MD5 ,确保唯一
        img_name = hashlib.md5(imglist[i].encode('utf8'))
        # 转换为16机制打印md5值
        img_name = img_name.hexdigest()
        # 解决下载不完全问题且避免陷入死循环
        try:
            # 判断图片链接是否是正确的
            if not imglist[i].endswith('.js') and imglist[i].startswith('http') and 'note.youdao.com' not in imglist[i]:
                if imglist[i].endswith('.gif'):
                    global path_name
                    path_name = 'csdn/img/%s.gif' % img_name
                    urllib.request.urlretrieve(imglist[i], path_name)
                    content = content.replace(imglist[i], '/home/zhaojia/csdn_demo/csdn/img/%s.gif' % img_name)
                else:
                    path_name = 'csdn/img/%s.jpg' % img_name
                    # 保存图片
                    urllib.request.urlretrieve(imglist[i], path_name)
                    # 根据每个图片的src的内容进行替换
                    content = content.replace(imglist[i], '/home/zhaojia/csdn_demo/csdn/img/%s.jpg' % img_name)
        except Exception as e:
            log.logger.warning('图片下载出异常，进入异常处理模块,异常的链接：'+imglist[i]+'\n'+str(e))
            if 'HTTP Error 403: Forbidden' in str(e):
                log.logger.info('403错误，重新访问')
                res = requests.get(imglist[i], headers=self.headers, verify=False)
                if res.status_code == 200:
                    log.logger.info('重新获取成功')
                    with open(path_name, 'wb') as f:
                        f.write(res.content)
                    content = content.replace(imglist[i], '/home/zhaojia/csdn_demo/%s' % path_name)
                else:
                    log.logger.error('重新获取失败，已记录'+imglist[i]+'文章url是：'+article_url, )
                    continue
            else:
                continue
        except urllib.error as e:
            log.logger.warning('图片地址错误，无响应', e)
            continue



# 将文章的url转为MD5,作为文件名,确保唯一
article_name_md5 = hashlib.md5(article_url.encode('utf8'))
# 转换为16机制打印md5值
article_name_md5 = article_name_md5.hexdigest()
file_name = '/home/zhaojia/csdn_demo/csdn/article/'+article_name_md5+'.txt'
# 写入文件
with open(file_name, 'w', encoding='utf8') as f:
    f.write(content)
return file_name

我的代码中都有注释，我就不过多废话了，代码是先获取文章里面的所有图片的src属性，一次去下载图片，为了方便使用的是urllib中的方法

urllib.request.urlretrieve(imglist[i], path_name)

对获取的src做了简单处理，直接获取。

获取的时候会出现urllib.error.ContentTooShortError错误，直接的访问的时候有时候会有403错误，所以必修做异常处理。

except Exception as e:
            log.logger.warning('图片下载出异常，进入异常处理模块,异常的链接：'+imglist[i]+'\n'+str(e))
            if 'HTTP Error 403: Forbidden' in str(e):
                log.logger.info('403错误，重新访问')
                res = requests.get(imglist[i], headers=self.headers, verify=False)
                if res.status_code == 200:
                    log.logger.info('重新获取成功')
                    with open(path_name, 'wb') as f:
                        f.write(res.content)
                    content = content.replace(imglist[i], '/home/zhaojia/csdn_demo/%s' % path_name)
                else:
                    log.logger.error('重新获取失败，已记录'+imglist[i]+'文章url是：'+article_url, )
                    continue
            else:
                continue
        except urllib.error as e:
            log.logger.warning('图片地址错误，无响应', e)
            continue

代码回去调用requests方法在做一次请求，请求成功则直接写入，失败就直接跳过，并将错误写入日志文件。

最后就是插入数据库，直接使用pymysql库，这部分直接截图，

到这里基本就结束了，最后在做一个日志

日志记录出现的错误以及信息。警告

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2018/11/16 11:20
# @Author  : jia.zhao
# @Desc    : 
# @File    : log_content.py
# @Software: PyCharm

import logging
from logging import handlers

class Logger(object):
    level_relations = {
        'debug':logging.DEBUG,
        'info':logging.INFO,
        'warning':logging.WARNING,
        'error':logging.ERROR,
        'crit':logging.CRITICAL
    }#日志级别关系映射

    def __init__(self,filename,level='info',when='D',backCount=3,fmt='%(asctime)s - %(pathname)s[line:%(lineno)d] - %(levelname)s: %(message)s'):
        self.logger = logging.getLogger(filename)
        format_str = logging.Formatter(fmt)#设置日志格式
        self.logger.setLevel(self.level_relations.get(level))#设置日志级别
        sh = logging.StreamHandler()#往屏幕上输出
        sh.setFormatter(format_str) #设置屏幕上显示的格式
        th = handlers.TimedRotatingFileHandler(filename=filename,when=when,backupCount=backCount,encoding='utf-8')#往文件里写入#指定间隔时间自动生成文件的处理器
        #实例化TimedRotatingFileHandler
        #interval是时间间隔，backupCount是备份文件的个数，如果超过这个个数，就会自动删除，when是间隔的时间单位，单位有以下几种：
        # S 秒
        # M 分
        # H 小时、
        # D 天、
        # W 每星期（interval==0时代表星期一）
        # midnight 每天凌晨
        th.setFormatter(format_str)#设置文件里写入的格式
        self.logger.addHandler(sh) #把对象加到logger里
        self.logger.addHandler(th)
# if __name__ == '__main__':
#     log = Logger('all.log',level='info')
#     log.logger.info('info')
#     log.logger.warning('警告')
#     log.logger.error('报错')
#     log.logger.critical('严重')

最后就是给大家看一下结果

数据库：