Python快速下载网页并转为文本

11 February 2018

作为一个程序员经常需要在网上查资料，但是不想在线看，有什么办法可以简单迅速的实现大量网页下载？这时Python作为一门简单易用的语言便可发挥作用了。

我们以下载新闻网站的新闻为例。

上图可以看到，”中国与日本称霸全球手游市场吃鸡游戏将来袭”这条新闻对应的html元素为<a href="http://hot.cnbeta.com/articles/game/698223.htm" target="_blank">中国与日本称霸全球手游市场吃鸡游戏将来袭</a>，对应的链接为a标签的href属性，也就是说只要获取到该标签的href属性的值便可得到该新闻的对应的链接。

下面我们来正式开始爬取内容。

以cofcool/COLTools项目的dhtml2text.py(python3)为例来说明。

1. 下载网页

python 3.3把urllib和urllib2合并为urllib，可通过Request来进行网络请求。self.__siteURL为爬取的网页地址。

def __get_page(self):
    headers = {
        'User': 'Agent: Mozilla / 5.0(X11;Ubuntu;Linux x86_64;rv: 57.0) Gecko / 20100101Firefox / 57.0',
        'Accept': 'text / html, application / xhtml + xml, application / xml'
    }
    request = urllib.request.Request(self.__siteURL, headers=headers)
    response = urllib.request.urlopen(request)

    return response.read()

2. 提取a标签内容

下载完网页后，使用<a(.+?)href="(.+?)"正则来提取网页内的全部a标签，并放在self.__contents数组内。注意: 这种方法较为粗糙，如果要细致的提取，可根据爬取网站的html布局进行更细致的设置。

def __get_contents(self):
    page = self.__get_page()

    pattern = re.compile(b'<a(.+?)href="(.+?)"', re.S)
    items = re.findall(pattern, page)

    for item in items:
        self.__contents.append(item[1])

    return self.__contents

3. 批量下载提取到的链接

遍历提取到的a标签，并进行下载。

def __downloading(self):
    contents = self.__get_contents()
    for item in contents:
        try:
            self.__save_files(item.decode('utf-8'), item.decode('utf-8').split('/')[-1])
        except UnicodeDecodeError as e:
            self.__log_util.append(str(e))
    self.__log_util.append('download successful!!!')

下载文件，有些网址可能没有域名，是相对路径，可一并处理为正常完整的网址，并根据链接提取网页的名称，下载保存。

def __save_files(self, file_url, filename):
    file_path = self.__write_path + filename
    if '.html' in file_url or '.htm' in file_url:
        if 'http' not in file_url:
            new_file_url = file_url
            if '/' in file_url:
                new_file_url = file_url.split('/')[-1]

            if 'htm' in self.__siteURL:
                last_slash_index = self.__siteURL.index(self.__siteURL.split('/')[-1])
                file_url = self.__siteURL[0:last_slash_index] + new_file_url
            else:
                file_url = self.__siteURL + '/' + new_file_url

        try:
            u = urllib.request.urlopen(file_url)
            data = u.read()
            f = open(file_path, 'wb')
            f.write(data)
            f.close()

            self.__log_util.append('the url is %s, write path is %s' % (file_url, file_path))
        except(urllib.error.HTTPError, urllib.error.URLError, IOError) as e:
            self.__log_util.append(str(e))

4. 转换html为文本内容

使用html2text进行文本提取，可通过pip3进行安装，pip3 install html2text。可把base_dir路径下的html文件转换为文本并合并到名为html2text.txt的txt文件中(combined参数设为True)。

class Html2Text:

    def __init__(self, base_dir, combined, log_util):
        self.__base_dir = base_dir
        self.__contents = os.listdir(base_dir)
        self.__contents.sort()
        self.__combined = combined
        self.__log_util = log_util

    def export2text(self):
        self.__log_util.append('start export')
        combined_f = None
        if self.__combined:
            combined_f = open(self.__base_dir + '/' + 'html2text.txt', 'a')

        for file_name in self.__contents:
            self.__log_util.append('export %s' % file_name)
            html_f = open(self.__base_dir + '/' + file_name, 'r')
            html = html_f.read()
            html_f.close()

            clean_text = html2text.html2text(html)
            combined_f.write(clean_text)

        combined_f.close()
        self.__log_util.append('finished!!!')

经过以上四步就可简单的下载想要看到的内容了，完整代码可在dhtml2text.py查看。

Tech 94

python 3