CSDN的Python創意編程活動開始第一天就看到了,但是認爲自己是菜鳥,就向當“吃瓜羣衆”,後來看到有好多人的代碼是關於爬蟲的,當初我就是由於對爬蟲 感興趣才自學的Python。現在也打算參加一下這個活動。
由於經常使用CSDN,所以收藏了好多優秀的文章,但是對於收藏夾沒有整理好,要回去找之前收藏的文章不是很方便,經過研究,就用自學的簡單Python爬蟲幫我吧。
去到首頁一看,收藏的文章是算是異步加載的吧。。但是每次都要點擊“顯示更多"才能看到後面的內容。
幸運的是我也知道一點異步加載的知識,就按F12進行研究:瀏覽後一些內容以後
雙擊打開Name下的鏈接:
什麼鬼,這是什麼東西,我看不懂呀!其實這是unicode編碼,要換成中文也很簡單:在命令行就可以轉換
當然,還有一個更好的方法,一個好用的網頁: http://tool.chinaz.com/tools/unicode.aspx
可以實現在線轉碼的功能。把那個網頁的第一條信息複製進來,點擊unicode轉中文,就可以看到中文了。
現在來研究一下那個鏈接,
http://my.csdn.net/my/favorite/get_favorite_list?pageno=2&pagesize=10&username=hurmishine
經過測試後發現,pageno這個參數控制顯示頁面起始編號,pagesize就是每頁顯示的數據條數。
我們可以通過改變參數來獲取全部信息。
最後確定的鏈接爲:
http://my.csdn.net/my/favorite/get_favorite_list?pageno=0&pagesize=10000&username=hurmishine
pagesize儘量設大一點,如果收藏的實際數量少於參數,將會以實際數量顯示。
對於每一條數據:
{"id":"12653825","username":"hurmishine","url":"http:\/\/blog.csdn.net\/marksinoberg\/article\/details\/70946107","domain":"blog.csdn.net","title":"CSDN \u535a\u5ba2\u5907\u4efd\u5de5\u5177 - \u66f4\u4e0a\u4e00\u5c42\u697c\uff01 - \u535a\u5ba2\u9891\u9053 - CSDN.NET","description":"","share":"1","dateline":"1493451002","map_name":""},
對於我來說有用的只有url和title,我們用正則表達式匹配出來即可。
完整代碼如下,具體細節自己體會:
#coding:utf-8
import urllib,urllib2,re,cookielib
def saveByText():
f=open("html.html")#保存到本地的文件名
html = f.read();
#"url":"http:\/\/blog.csdn.net\/zhangweiguo_717\/article\/details\/52716677",
#"title":"Python\u6a21\u62df\u767b\u5f55CSDN - \u535a\u5ba2\u9891\u9053 - CSDN.NET",
# urls = re.findall(r'"url":"(.*?)",',html)
# links = re.findall(r'"title":"(.*?)",',html)
links = re.findall(r'"url":"(.*?)",.*?"title":"(.*?)"',html)
f2=open("index.html","w")
f2.write("<meta charset='utf-8'>\r\n")
index=0
for link in links :
ans=link[1].decode('unicode-escape').encode('utf-8')
# print ans
ans=ans.replace(' - 博客頻道 - CSDN.NET','').replace("\/",'/')
# print ans
url = link[0].replace("\/",'/')
index+=1
f2.write('<font size="5">'+' '*10+str(index)+"、</font>"+"\n<a href="+url+' target="_blank">'+'\n')
f2.write('<font size="5">'+ans+"</font></a><br><br><br>\n\n")
f2.close()
if __name__ == '__main__':
saveByText()
結果顯示:
PS:自己也沒想到自己竟然收藏了那麼多的文章,其間也發現,竟然有重複的收藏文章,應該是之前的Bug的吧,還有,收藏夾或許是個罪惡的根源,總以爲收藏了以後去看。。。但是實際呢?
到現在可以說是基本完成了,但是每次都要複製,有點麻煩,如果可以模擬登陸,全自動那該多好呀,但是我還不會呀,但是經過不懈的努力,終於在網上找到了模擬登陸CSDN博客成功的代碼,就拿來用了....
鏈接地址:http://blog.csdn.net/zhangweiguo_717/article/details/52716677
雖然此次活動中備份CSDN博客的那份代碼也涉及到模擬登陸:http://blog.csdn.net/Marksinoberg/article/details/70946107
自動登陸獲取收藏內容代碼:
#coding:utf-8
import urllib,urllib2,re,cookielib
import re
import getpass #密文輸入
UA='Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36'
headers = {'User-Agent':UA}
def login(username,password):
#建立帶有cookie的opener
cookie = cookielib.CookieJar()
cookieProc = urllib2.HTTPCookieProcessor(cookie)
global opener
opener = urllib2.build_opener(cookieProc)
h = opener.open('https://passport.csdn.net').read().decode("utf8")
patten1 = re.compile(r'name="lt" value="(.*?)"')
patten2 = re.compile(r'name="execution" value="(.*?)"')
b1 = patten1.findall(h)
b2 = patten2.findall(h)
global postData
postData = {
'username': username,
'password': password,
'lt': b1[0],
'execution': b2[0],
'_eventId': 'submit',
}
postData= urllib.urlencode(postData)
opener.addheaders = [('User-Agent',UA),
('Referer', 'https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn')
]
response = opener.open('https://passport.csdn.net', data=postData)
# response2 = opener.open('http://my.csdn.net/my/fans')
# text2 = response2.read()
# print text2
def autoSave(username):
url='http://my.csdn.net/my/favorite/get_favorite_list?pageno=0&pagesize=10000&username=hurmishine'
# req = urllib2.Request(url=url.format(username),headers=headers)
# html = urllib2.urlopen(req).read()
html = opener.open(url.format(username), data=postData).read()
links = re.findall(r'"url":"(.*?)",.*?"title":"(.*?)"',html)
f2=open("index.html","w")
f2.write("<meta charset='utf-8'>\r\n")
index=0
flag=''
print len(links)
for link in links :
ans=link[1].decode('unicode-escape').encode('utf-8')
ans=ans.replace(' - 博客頻道 - CSDN.NET','').replace("\/",'/')
url = link[0].replace("\/",'/')
index+=1
print ans,url
f2.write('<font size="5">'+' '*10+str(index)+"、</font>"+"\n<a href="+url+' target="_blank">'+'\n')
f2.write('<font size="5">'+ans+"</font></a><br><br><br>\n\n")
f2.close()
if __name__ == '__main__':
username=""
password=""
login(username,password)
autoSave(username)
好了,就這樣吧。
自動獲取收藏的那份代碼,上傳的47行有問題,註釋部分忘了去除,上面代碼已更正.
參考博客:http://blog.csdn.net/haichao062/article/details/8107316
http://blog.csdn.net/devil_2009/article/details/38796533