最近发现CSDN的blog专栏还是很给力的,毕竟这是一整个系列的文章,学习某方面知识比较容易形成体系,而且前人的经验还是相当有参考价值的。
原先也开了两个,只是工作比较忙,加之lz比较懒,所以没啥人气,囧。
最近看书之余,也会去看看别人的专栏,虽然你看或不看,文章就在那里,但是不能上网的时候还是很蛋疼的
so,花了一个小时,写了个python脚本,只需要填下专栏文章列表某一页url【注意不是文章页面,是列表页面】,就能将整个专栏文章端下来。
分享之,想下整个系列文章的同学动手吧。
目前在win7 + py2.7测试通过,要有python环境哈,linux的同学需dos2unix处理下。
木有python环境的,下个吧,2.7,装一下很快的
PS.有很多坑,但是下大部分专栏还是没问题的(譬如文件名存在非法字符暂未处理),没异常处理,都怎么简单怎么来
发现坑的话希望能发我,逐步改进,后续有空的话搞掉python环境依赖&增加图形界面
--------------------------------------------------------------------------------------------------
实现思路:
1.到专栏列表页,正则匹配到最后一页的url
2.生成每页url列表,从第一页到最后一页的url
3.抓每一页,正则匹配到列表页里面文章标题和文章地址
4.下载之
木有python的同学可以用其他语言搞下
---------------------------------------------------------------------------------------------------
使用方法:
1.打开专栏的列表页面,拉到url
例如:
图示1:不带页码的(文章太少,就是所有文章列表都木有翻页),以下这个是lz的,o(╯□╰)o
图示2:带页码的 (文章很多,分页了,放心,随便哪页都行,整个系列全端下来)
2.复制url,修改脚本里line 68行,修改first_url变量
3.开始->运行->cmd
cd到脚本所在位置
有配置环境变量的,直接 python download_column.py
没有配置环境变量的,使用 C:\Python27\python.exe download_column.py 【这里路径是装环境时的】
4.过程图:
5.结果:
#version 0.1 基本功能
下载地址: http://www.kuaipan.cn/file/id_43019534898112640.html
#version 0.2 A.修复下载文章中存在非法字符bug B.独立函数,可以批量配置下载C.已下载不会二次下载
下载地址:http://www.kuaipan.cn/file/id_43019534898113708.html
配了一堆,下完了,甚是壮观.................
附上脚本源码:
#!/usr/bin/env python#-*- coding:utf-8 -*-#@Author: wklken#@Mail: wklken@yeah.net#@Date: 20120807#@version 0.1#@desc: base function to download csdn column!print "begin...."import urllib2,socketimport reimport os,sys#该页最后一个中文链接,尾页p2first = re.compile(ur'下一页 尾页') #html?page=\d+p2detail = re.compile(ur'(.*)')p2title = re.compile(ur'专栏:(.*) - 博客频道 - CSDN.NET ')p2titlereplace = re.compile(r'[\/:*?"<>|]')def find_url_prefix_maxpage_title(content): title = p2title.findall(content,re.X) l = p2first.findall(content,re.X) if l and len(l[0].split("=")) == 2: #存在多页 return True,l[0].split("="),title[0] else: return False,(None,None),title[0]def get_request(url): #设置超时 socket.setdefaulttimeout(60) #可以加入请求头信息,以便识别 i_headers = {"User-Agent": "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.1) Gecko/20090624 Firefox/3.5", "Accept": "text/plain"} req = urllib2.Request(url, headers=i_headers) content = "" try: page = urllib2.urlopen(req) #print page.geturl() #print page.info().getplist() content = page.read().decode("utf-8") except urllib2.HTTPError, e: print "Error Code:", e.code except urllib2.URLError, e: print "Error Reason:", e.reason return contentdef gen_urls(url_prefix, max_page): for i in range(1,max_page+1): yield url_prefix + "=" + str(i)def download_pages(url, dir_path): content = get_request(url) l = p2detail.findall(content,re.X) #print l,len(l),l[0] for (detail_url, title) in l: print "Downloading: ",title,detail_url title, num = p2titlereplace.subn("-",title) path = dir_path + os.sep + title + ".html" if not os.path.exists(path): #只下载新文章,不过老文章修改无法下到,要想全部更新,可以去掉if f = open(path,"w") f.write(get_request(detail_url).encode("utf-8")) f.close()def get_down(first_url): content = get_request(first_url) multi_page,(url_prefix, max_apge), title = find_url_prefix_maxpage_title(content) print title title, num = p2titlereplace.subn("-",title) dir_path = "./"+title if not os.path.exists(dir_path): os.mkdir(dir_path) if multi_page: for url in gen_urls(url_prefix, int(max_apge)): print url download_pages("http://blog.csdn.net" + url, dir_path) else: download_pages(first_url, dir_path) if __name__ == '__main__': #first_url = "http://blog.csdn.net/column/details/novelnorains.html?page=4" # first_url = "http://blog.csdn.net/column/details/wklken4ds-alg-py.html" # get_down(first_url) # sys.exit(0) urls = [ "http://blog.csdn.net/column/details/wklken4ds-alg-py.html", #数据结构和算法python实现,未完 "http://blog.csdn.net/column/details/wklken4linux.html", #linux新手生存笔记,未完 ] for first_url in urls: get_down(first_url)
就这些
懒得动了,歇了
wklken
2012-08-07