Python简单爬虫爬取自己博客园所有文章
初学Python,用python写的一个简单爬虫,爬取自己博客园上面的所有文章。
1 #coding=utf-8 2 import re 3 import urllib 4 5 def getHtml(url): 6 page = urllib.urlopen(url) 7 html = page.read() 8 return html 9 10 def getPage(html): 11 reg = r'随笔-([0-9]+)' 12 pageCount = re.findall(reg,html) 13 return pageCount[0] 14 15 def getArticleUrl(html): 16 reg = r'(http://www.cnblogs.com/sunniest/p/[0-9]+.html)' 17 articleUrl = re.findall(reg,html) 18 return articleUrl 19 20 def downloadPage(urlList): 21 x = 0 22 for article in urlList: 23 urllib.urlretrieve(article,'%s.html' % x) 24 x+=1 25 26 article = [] 27 htmlStr = getHtml("http://www.cnblogs.com/sunniest/default.html") 28 pageCount = getPage(htmlStr) 29 page = int(pageCount)/40+1 30 for i in range(1,page+1): 31 html = getHtml("http://www.cnblogs.com/sunniest/default.html?page="+str(i)) 32 articleUrl = getArticleUrl(html) 33 article = article.__add__(articleUrl) 34 35 article = list(set(article)) 36 downloadPage(article)
爬取后的网页会保存在项目的根目录下,暂时未支持js、css等文件的爬取,所以页面显示效果会比较差。
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· Linux系列:如何用 C#调用 C方法造成内存泄露
· AI与.NET技术实操系列(二):开始使用ML.NET
· 记一次.NET内存居高不下排查解决与启示
· 探究高空视频全景AR技术的实现原理
· 理解Rust引用及其生命周期标识(上)
· 阿里最新开源QwQ-32B,效果媲美deepseek-r1满血版,部署成本又又又降低了!
· 单线程的Redis速度为什么快?
· SQL Server 2025 AI相关能力初探
· 展开说说关于C#中ORM框架的用法!
· AI编程工具终极对决:字节Trae VS Cursor,谁才是开发者新宠?