使用python采集脚本之家电子书资源并自动下载到本地的实例脚本


						jb51上面的资源还比较全，就准备用python来实现自动采集信息，与下载啦。

Python具有丰富和强大的库，使用urllib，re等就可以轻松开发出一个网络信息采集器！

下面，是我写的一个实例脚本，用来采集某技术网站的特定栏目的所有电子书资源，并下载到本地保存！

软件运行截图如下：



在脚本运行时期，不但会打印出信息到shell窗口，还会保存日志到txt文件，记录采集到的页面地址，书籍的名称，大小，服务器本地下载地址以及百度网盘的下载地址！

实例采集并下载中文源码网的python栏目电子书资源：







# -*- coding:utf-8 -*-

import re

import urllib2

import urllib

import sys

import os

reload(sys)

sys.setdefaultencoding('utf-8')

def getHtml(url):

 request = urllib2.Request(url)

 page = urllib2.urlopen(request)

 htmlcontent = page.read()

 #解决中文乱码问题

 htmlcontent = htmlcontent.decode('gbk', 'ignore').encode("utf8",'ignore')

 return htmlcontent

def report(count, blockSize, totalSize):

 percent = int(count*blockSize*100/totalSize)

 sys.stdout.write("r%d%%" % percent + ' complete')

 sys.stdout.flush()

def getBookInfo(url):

 htmlcontent = getHtml(url);

 #print "htmlcontent=",htmlcontent; # you should see the ouput html

 #<h1 class="h1user">crifan</h1>

 regex_title = '<h1s+?itemprop="name">(?P<title>.+?)</h1>';

 title = re.search(regex_title, htmlcontent);

 if(title):

 title = title.group("title");

 print "书籍名字:",title;

 file_object.write('书籍名字:'+title+'r');

 #<li>书籍大小：<span itemprop="fileSize">27.2MB</span></li>

 filesize = re.search('<spans+?itemprop="fileSize">(?P<filesize>.+?)</span>', htmlcontent);

 if(filesize):

 filesize = filesize.group("filesize");

 print "文件大小:",filesize;

 file_object.write('文件大小:'+filesize+'r');

 #<div class="picthumb"><a href="//files.zwyuanma.com/do/uploads/litimg/151210/1A9262GO2.jpg" target="_blank"

 bookimg = re.search('<divs+?class="picthumb"><a href="(?P<bookimg>.+?)" rel="external nofollow" target="_blank"', htmlcontent);

 if(bookimg):

 bookimg = bookimg.group("bookimg");

 print "封面图片：",bookimg;

 file_object.write('封面图片:'+bookimg+'r');

 #<li><a href="http://xz6.zwyuanma.com:81/201512/books/JavaWeb100(zwyuanma.com).rar" target="_blank">酷云中国电信下载</a></li>

 downurl1 = re.search('<li><a href="(?P<downurl1>.+?)" rel="external nofollow" target="_blank">酷云中国电信下载</a></li>', htmlcontent);

 if(downurl1):

 downurl1 = downurl1.group("downurl1");

 print "下载地址1:",downurl1; 

 file_object.write('下载地址1:'+downurl1+'r');

 sys.stdout.write('rFetching ' + title + '...n')

 title = title.replace(' ', '');

 title = title.replace('/', '');

 saveFile = '/Users/superl/Desktop/pythonbook/'+title+'.rar';

 if os.path.exists(saveFile):

 print "该文件已经下载了！";

 else:

 urllib.urlretrieve(downurl1, saveFile, reporthook=report);

 sys.stdout.write("rDownload complete, saved as %s" % (saveFile) + 'nn')

 sys.stdout.flush()

 file_object.write('文件下载成功!r');

 else:

 print "下载地址1不存在";

 file_error.write(url+'r');

 file_error.write(title+"下载地址1不存在!文件没有自动下载！r");

 file_error.write('r');

 #<li><a href="http://pan.baidu.com/s/1pKfVNwJ" rel="external nofollow" target="_blank">百度网盘下载2</a></li>

 downurl2 = re.search('</a></li><li><a href="(?P<downurl2>.+?)" rel="external nofollow" target="_blank">百度网盘下载2</a></li>', htmlcontent);

 if(downurl2):

 downurl2 = downurl2.group("downurl2");

 print "下载地址2:",downurl2; 

 file_object.write('下载地址2:'+downurl2+'r');

 else:

 #file_error.write(url+'r');

 print "下载地址2不存在"; 

 file_error.write(title+"下载地址2不存在r");

 file_error.write('r');

 file_object.write('r');

 print "n";

def getBooksUrl(url):

 htmlcontent = getHtml(url);

 #<ul class="cur-cat-list"><a href="/books/438381.html" rel="external nofollow" class="tit"</ul></div><!--end #content -->

 urls = re.findall('<a href="(?P<urls>.+?)" rel="external nofollow" class="tit"', htmlcontent);

 for url in urls:

 url = "//www.zwyuanma.com"+url;

 print url+"n";

 file_object.write(url+'r');

 getBookInfo(url)

 #print "url->", url

if __name__=="__main__":

 file_object = open('/Users/superl/Desktop/python.txt','w+');

 file_error = open('/Users/superl/Desktop/pythonerror.txt','w+');

 pagenum = 3;

 for pagevalue in range(1,pagenum+1):

 listurl = "//www.zwyuanma.com/ books/list476_%d.html"%pagevalue;

 print listurl;

 file_object.write(listurl+'r');

 getBooksUrl(listurl);

 file_object.close();

 file_error.close();



注意，上面代码部分地方的url被我换了。

总结

以上所述是小编给大家介绍的python采集jb51电子书资源并自动下载到本地实例脚本，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对中文源码网网站的支持！