python获取知乎日报另存为txt文件

来源：互联网发布：注册域名能赚钱吗编辑：程序博客网时间：2024/06/15 10:56

前言

拿来练手的，比较简单（且有bug），欢迎交流~

功能介绍

抓取当日的知乎日报的内容，并将每篇博文另存为一个txt文件，集中放在一个文件夹下，文件夹名字为当日时间。

使用的库

re，BeautifulSoup，sys，urllib2

注意事项

1.运行环境是Linux，python2.7.x，想在win上使用直接改一下里边的命令就可以了

2.bug是在处理 “如何正确吐槽”的时候只能获取第一个（懒癌发作了）

3.直接获取（如下）内容是不可以的，知乎做了反抓取的处理

urllib2.urlop(url).read()

所以加个Headers就可以了

4.因为zhihudaily.ahorn.me这个网站时不时挂掉，所以有时候会出现错误

1 def getHtml(url):2     header={'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:14.0) Gecko/20100101 Firefox/14.0.1','Referer' : '******'}3     request=urllib2.Request(url,None,header)4     response=urllib2.urlopen(request)5     text=response.read()6     return text

4.在做内容分析的时候可以直接使用re，也可以直接调用BeautifulSoup里的函数（我对正则表达式发怵，所以直接bs），比如

1 def saveText(text):2     soup=BeautifulSoup(text)3     filename=soup.h2.get_text()+".txt"4     fp=file(filename,'w')5     content=soup.find('div',"content")6     content=content.get_text()

show me the code

 1 #Filename:getZhihu.py 2 import re 3 import urllib2 4 from bs4 import BeautifulSoup 5 import sys 6  7 reload(sys) 8 sys.setdefaultencoding("utf-8") 9 10 #get the html code11 def getHtml(url):12     header={'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:14.0) Gecko/20100101 Firefox/14.0.1','Referer' : '******'}13     request=urllib2.Request(url,None,header)14     response=urllib2.urlopen(request)15     text=response.read()16     return text17 #save the content in txt files18 def saveText(text):19     soup=BeautifulSoup(text)20     filename=soup.h2.get_text()+".txt"21     fp=file(filename,'w')22     content=soup.find('div',"content")23     content=content.get_text()24     25 #   print content #test26     fp.write(content)27     fp.close()28 #get the urls from the zhihudaily.ahorn.com29 def getUrl(url):30     html=getHtml(url) 31 #   print html32     soup=BeautifulSoup(html)33     urls_page=soup.find('div',"post-body")34 #   print urls_page35 36     urls=re.findall('"((http)://.*?)"',str(urls_page))37     return urls 38 #main() founction39 def main():40     page="http://zhihudaily.ahorn.me"41     urls=getUrl(page)42     for url in urls:43         text=getHtml(url[0])44         saveText(text)45 46 if __name__=="__main__":47     main()

0 0