[Python爬虫]cnblogs博客备份工具(可扩展成并行)
并发爬虫小练习。
直接粘贴到本地,命名为.py文件即可运行,运行时的参数为你想要爬取的用户。默认是本博客。
输出是以用户名命名的目录,目录内便是博客内容。
仅供学习python的多线程编程方法,后续会重写成并行爬虫。
爬虫代码如下:
- # -*- coding:utf-8 -*-
- from multiprocessing.managers import BaseManager
- from pyquery import PyQuery
- import os, sys, urllib
- import re, random, logging, time
- import Queue, threading, multiprocessing, threadpool
- USER_NAME = 'kirai'
- TOTAL_PAGE_NUMBER = 0
- INT_REGEXP = re.compile('([\d]+)')
- BASE_URL = 'http://www.cnblogs.com/'+USER_NAME+'/p/?page='
- ARTICLE_REGEXP = re.compile('href=\"(http://www.cnblogs.com/'+USER_NAME+'/p/[\d]+.html)\"')
- THREAD_NUMBER = multiprocessing.cpu_count() * 2
- ARTICLE_URLS_MUTEX = threading.Lock()
- ARTICLE_URLS = []
- class ListWithLinkExtend(list):
- def extend(self, value):
- super(ListWithLinkExtend, self).extend(value)
- return self
- def get_total_page_number():
- doc = PyQuery(url=BASE_URL)
- return int(INT_REGEXP.findall(
- doc.find('.pager .Pager').text())[0].encode('ascii'))
- def get_page_url():
- global TOTAL_PAGE_NUMBER
- return map(lambda page: BASE_URL+str(page),
- [i for i in range(1, TOTAL_PAGE_NUMBER+1)])
- def get_article_url(idx):
- url = PAGE_URLS[idx]
- doc = PyQuery(url=url)
- article_urls = ARTICLE_REGEXP.findall(str(doc.find('.PostList .postTitl2')))
- return article_urls
- def handle_result(request, result):
- global ARTICLE_URLS_MUTEX, ARTICLE_URLS
- try:
- ARTICLE_URLS_MUTEX.acquire()
- ARTICLE_URLS.append(result)
- finally:
- ARTICLE_URLS_MUTEX.release()
- def cluster_process():
- global ARTICLE_URLS
- # list : urls
- task_queue = Queue.Queue()
- # str : path
- result_queue = Queue.Queue()
- KiraiManager.register('get_task_queue', callable=lambda: task_queue)
- KiraiManager.register('get_result_queue', callable=lambda: result_queue)
- manager = KiraiManager(address=('', 6969), authkey='whosyourdaddy')
- manager.start()
- manager.shutdown()
- # article_flag, article_urls = get_article_url()
- # a simple way.
- def get_article(url):
- html = urllib.urlopen(url).read()
- return html, INT_REGEXP.findall(url)[0]
- def save_article(request, result):
- content = result[0]
- file_name = result[1]
- path = './' + USER_NAME + '/' + file_name + '.html'
- try:
- fp = file(path, 'w')
- fp.writelines(content)
- finally:
- fp.close()
- def thread_process():
- global ARTICLE_URLS
- os.mkdir(USER_NAME)
- thread_pool = threadpool.ThreadPool(THREAD_NUMBER)
- requests = threadpool.makeRequests(get_article, ARTICLE_URLS, save_article)
- [thread_pool.putRequest(req) for req in requests]
- thread_pool.wait()
- def __main__(argv):
- global ARTICLE_URLS, TOTAL_PAGE_NUMBER, USER_NAME, BASE_URL, ARTICLE_REGEXP, PAGE_URLS, TOTAL_PAGE_NUMBER
- if len(argv) == 2:
- USER_NAME = argv[1]
- BASE_URL = 'http://www.cnblogs.com/'+USER_NAME+'/p/?page='
- ARTICLE_REGEXP = re.compile('href=\"(http://www.cnblogs.com/'+USER_NAME+'/p/[\d]+.html)\"')
- TOTAL_PAGE_NUMBER = get_total_page_number()
- PAGE_URLS = get_page_url()
- thread_pool = threadpool.ThreadPool(THREAD_NUMBER)
- requests = threadpool.makeRequests(
- get_article_url,
- [i for i in range(0, TOTAL_PAGE_NUMBER)],
- handle_result)
- [thread_pool.putRequest(req) for req in requests]
- thread_pool.wait()
- ARTICLE_URLS = list(reduce(lambda a, b: ListWithLinkExtend(a).extend(ListWithLinkExtend(b)),
- ARTICLE_URLS))
- thread_process()
- if __name__ == '__main__':
- __main__(sys.argv)
简单介绍下全局变量的意义:
USER_NAME:希望爬取的用户名,默认为kirai。
TOTAL_PAGE_NUMBER:会被更新成博客随笔的总页数。
INT_REGEXP:为了匹配数字的正则。
BASE_URL:随笔页的初始URL。
ARTICLE_REGEXP:在经过pyquery处理过后的每个随笔目录页中提取出博客文章页面的正则。
THREAD_NUMBER:线程数,默认设置是本机cpu核数的2倍。
ARTICLE_URLS_MUTEX:ARTICLE_URLS的锁,保证线程唯一占用。
ARTICLE_URLS:用于存放所有的文章url。
[Python爬虫]cnblogs博客备份工具(可扩展成并行)的更多相关文章
- 推荐一款自己的软件作品[豆约翰博客备份专家],新浪博客,QQ空间,CSDN,cnblogs博客备份,导出CHM,PDF(转载)
推荐一款自己的软件作品[豆约翰博客备份专 豆约翰博客备份专家是完全免费,功能强大的博客备份工具,博客电子书(PDF,CHM和TXT)生成工具,博文离线浏览工具,软件界面美观大方,支持多个主流博客网站( ...
- cnblogs博客迁移到hexo
cnblogs博客备份 备份地址:https://i.cnblogs.com/BlogBackup.aspx?type=1 备份文件为xml格式,打开备份文件,如下所示: <?xml versi ...
- 用Python编写博客导出工具
用Python编写博客导出工具 罗朝辉 (http://kesalin.github.io/) CC 许可,转载请注明出处 写在前面的话 我在 github 上用 octopress 搭建了个人博 ...
- python编写的自动获取代理IP列表的爬虫-chinaboywg-ChinaUnix博客
python编写的自动获取代理IP列表的爬虫-chinaboywg-ChinaUnix博客 undefined Python多线程抓取代理服务器 | Linux运维笔记 undefined java如 ...
- python爬取博客圆首页文章链接+标题
新人一枚,初来乍到,请多关照 来到博客园,不知道写点啥,那就去瞄一瞄大家都在干什么好了. 使用python 爬取博客园首页文章链接和标题. 首先当然是环境了,爬虫在window10系统下,python ...
- BlogPublishTool - 博客发布工具
BlogPublishTool - 博客发布工具 这是一个发布博客的工具.本博客使用本工具发布. 本工具源码已上传至github:https://github.com/ChildishChange/B ...
- org-mode 写 cnblogs 博客
1. 为什么用org-mode写博客 我最开始用Emacs, 是因为org-mode.这是一个专注于写,而让我忽略展示结果的一种写作方式.为 什么这么说?因为所有内容的格式都是可定制的.按照自己喜欢的 ...
- 有哪些关于 Python 的技术博客?
Python是一种动态解释型的编程语言,它可以在Windows.UNIX.MAC等多种操作系统以及Java..NET开发平台上使用.不过包含的内容很多,加上各种标准库.拓展库,乱花渐欲迷人眼.因此如何 ...
- 把cnblogs变成简书 - cnblogs博客自定义皮肤css样式
吐槽 博客园cnblogs作为老牌的IT技术博客类网站,为广大的开发者提供了非常不错的学习交流平台. 虽然博客内容才是重点,但是如果有赏心悦目的页面不更好吗! cnblogs可以更换博客模板,并且提供 ...
随机推荐
- WPF 打开文件、文件夹
打开文件代码: OpenFileDialog openFileDialog = new OpenFileDialog(); openFileDialog.Title = &quo ...
- 理解Bitcode
用Xcode 7 beta 3在真机(iOS 8.3)上运行一下我们的工程,结果发现工程编译不过.看了下问题,报的是以下错误: 1 ld: ‘/Users/**/Framework/SDKs/Poly ...
- 解决32位plsql连接数据库的问题
解决32位plsql连接数据库的问题: 安装32位的oracle数据库client版,此地址可下载[http://www.oracle.com/technetwork/database/featu ...
- What is the difference between a Clustered and Non Clustered Index?
A clustered index determines the order in which the rows of a table are stored on disk. If a table h ...
- 协程并发框架gevent及其用法
gevent是python的一个并发框架,采用协程实现并发目的,用起来也非常简单 gevent的docs:http://www.gevent.org/contents.html 一个最简单的例子: i ...
- Fiddler- -Composer创建和发送HTTP Request
Fiddler的功能还有很多, 很多功能都没有被挖掘出来.这次我们介绍Fiddler中的一个非常有用的功能Composer,是用来创建和发送HTTP Request的.Composer的使用方法很简单 ...
- jq 页面延时刷新
最常用的方法 <script language='javascript' type='text/javascript'> $(function () { setTimeout(functi ...
- leetcode 257
查找二叉树中根节点到叶子节点的所有路径: 本题有两种解法:递归解法和非递归解法,递归解法请参考:http://blog.csdn.net/booirror/article/details/477331 ...
- 游戏制作之路:游戏引擎选择、Mac下和Windows下UnrealEngine 4体验对比、文档及其他
UnrealEngine 4和Unity3d的选择 订阅了UrealEngine4(UE4)开发者.我开始做网站用的是ASP.NET和C#,之后做网站虽然换用更方便的PHP(因为做的都是小网站).我想 ...
- 结合WebSocket编写WebGL综合场景示例
在WebGL场景中导入多个Babylon骨骼模型,在局域网用WebSocket实现多用户交互控制. 首先是场景截图: 上图在场景中导入一个Babylon骨骼模型,使用asdw.空格.鼠标控制加速度移动 ...