Python实现新浪博客备份的方法 - 哈喽比特

981次阅读 | 发布于5年以前
本文实例讲述了Python实现新浪博客备份的方法。分享给大家供大家参考，具体如下：
Python2.7.2版本实现，推荐在IDE中运行。

    # -*- coding:UTF-8 -*- ＃
    '''
    Created on 2011-12-18
    @author: Ahan
    '''
    import re
    import sys
    import os
    import time
    import socket
    import locale
    import datetime
    import codecs
    from urllib import urlopen
    #正则表达式定义
    #匹配博文目录链接
    pattern1=u"""<a href="(http:.*?)">博文目录</a>"""
    prog1 = re.compile(pattern1)
    #匹配博文标题链接
    pattern2=u"""<a title="(.*?)" target="_blank" href="(.*?)">.*?</a>"""
    prog2=re.compile(pattern2)
    #匹配下一页链接
    pattern3=u"""<a href="([^"]+)" title="[^"]+">下一页"""
    prog3=re.compile(pattern3)
    #匹配正文部分
    pattern4=u"""<!--博文正文 begin -->[\\s\\S]*?<!-- 正文结束 -->"""
    prog4=re.compile(pattern4)
    #匹配正文图片链接
    pattern5=u"""(src="[^"]+"( real_src ="([^"]+)"))"""
    prog5=re.compile(pattern5)
    def read_date_from_url(url):
      """以Unicode形式返回从url上读取的所有数据
      """
      try:
        data = ""
        request = urlopen(url)
        while True:
          s = request.read(1024)
          if not s:
            break
          data += s
        return unicode(data)
      except:
        print '读取数据时出错'
        print "Unexpected error:", sys.exc_info()[0],sys.exc_info()[1]
        return None
      finally:
        if request:
          request.close()
    def save_to_file(url,filename,blog_address):
      """url为博文地址，filename为要保存的文件名，默认后缀为html
      """
      #如果文件夹不存在则创建文件夹
      if os.path.exists(blog_address)==False:
        os.makedirs(blog_address)
      #去掉文件名中的非法字符
      filename=ReplaceBadCharOfFileName(filename)
      file_no=0
      while os.path.isfile(blog_address+'/'+filename+'.html')==True:
        filename=filename+'('+file_no.__str__()+')'
        file_no+=1
      text = read_date_from_url(url)
      text=_filter(text)
      #将图片保存到本地
      result=prog5.findall(text)
      i=1
      for pic in result:
        folder=blog_address+'/'+filename+'/'
        pic_name='image'+i.__str__()+'.gif' 
        if os.path.exists(folder)==False:
          os.makedirs(folder)
        try:
          url_file = urlopen(pic[2])
          pic_file = codecs.open(folder+pic_name,'wb')
          while True:
            s = url_file.read(1024)
            if not s:
              break
            pic_file.write(s)
          pic_file.close()
          url_file.close()
        except:
          print '噢，保存图片的时候出现问题了，跳过此张图片...'
          print "Unexpected error:", sys.exc_info()[0],sys.exc_info()[1]
        else:
          print '保存图片成功...'
          #替换正文中的图片地址
          text=text.replace(pic[0],unicode("src=\"" + filename + "/" + pic_name + "\"" + pic[1]),1)
          i=i+1
      blog_file = codecs.open(blog_address+'/'+filename+'.html','wb')
      blog_file.write(text)
      blog_file.close()
    #提取文本中的正文部分
    def _filter(t):
      """提取文本中的正文部分，返回Unicode形式的字符串
      """
      result=prog4.search(t)
      if result is not None:
        return u'<html><head></head><body>' + unicode(result.group()) + u'</dody></html>'
      else:
        raise Exception('噢，提取正文出错了……')
    #去掉文件名的不合法字符 
    def ReplaceBadCharOfFileName(filename):
      filename=filename.replace(" ","")
      filename=filename.replace("\\", "")
      filename=filename.replace("/", "")
      filename=filename.replace(":", "")
      filename=filename.replace("*", "")
      filename=filename.replace("?", "")
      filename=filename.replace("<", "")
      filename=filename.replace(">", "")
      filename=filename.replace("|", "")
      filename=filename.replace("&","")
      filename=filename.replace(";","")
      return filename
    #主函数
    if __name__ == '__main__':
      #准备阶段
      blog_no=1#博文编号
      begin=1#起始博文
      end=0#结束博文
      page=0#页码
      saved=0#成功保存的篇数
      timeout = 60*5#超时设为5分钟
      socket.setdefaulttimeout(timeout)#这里对整个socket层设置超时时间。后续文件中如果再使用到socket，不必再设置
      blog_address=raw_input("请输入您的博客地址（输入最后部分即可，比如您的博客地址是http://blog.sina.com.cn/jiangafu，只要输入jiangafu）：")
      blog_address=blog_address.replace('\r','')
      begin=raw_input('从第几篇开始：')  
      begin=locale.atoi(begin)
      while begin<=0:
        begin=raw_input('请输入大于0的数：')
        begin=locale.atoi(begin)
      end=raw_input('到第几篇结束（到最后请输入0）：')
      end=locale.atoi(end)
      while end<0:
        end=raw_input('请输入大于等于0的数：')
        end=locale.atoi(end)
      if end==0:
        print '您的博客地址是：http://blog.sina.com.cn/'+blog_address+'，保存第'+begin.__str__()+'篇到最后一篇博文'
      else:
        print '您的博客地址是：http://blog.sina.com.cn/'+blog_address+'，保存第'+begin.__str__()+'篇到第'\
           +end.__str__()+'篇的博文'
      starttime = datetime.datetime.now()
      text=read_date_from_url('http://blog.sina.com.cn/'+blog_address)
      time.sleep(0.5)
      #提取"博文目录"的url
      result = prog1.search(text)
      if result is not None:
        print '博文目录地址：' , result.group(1)
        text=read_date_from_url(result.group(1))
        time.sleep(0.4)
      else:
        print '提取博文目录地址失败'
        #终止程序运行
        sys.exit()
      #查找每一页的全部博文，分析、提取、保存 
      while True:
        page+=1
        print '开始备份第' , page , '页'
        #匹配该页的所有博文地址
        result=prog2.findall(text)
        #循环下载本页每篇博文
        for blog in result: 
          if blog_no < begin:
            blog_no += 1
          elif end != 0 and blog_no > end:
            break
          else:
            try:
              save_to_file(blog[1],unicode(blog[0]),blog_address)
            except:
              print '噢，保存第',blog_no,'篇博文',blog[0],'的时候出现问题了，跳过...'
              blog_no += 1
              print "Unexpected error:", sys.exc_info()[0],sys.exc_info()[1]
            else:
              print '成功保存了第', blog_no, '篇博文:', blog[0]
              blog_no += 1
              saved += 1
              time.sleep(0.4)
        #判断是否有下一页
        result = prog3.search(text)
        if result is not None:
          text = read_date_from_url(result.group(1))
        else:
          print '这是最后一页'
          break
      print '博客备份完成一共备份',saved,'篇博文'
      print '共用时:',datetime.datetime.now() - starttime
      raw_input('按回车键退出...')
更多关于Python相关内容感兴趣的读者可查看本站专题：《Python数据结构与算法教程》、《Python Socket编程技巧总结》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》
希望本文所述对大家Python程序设计有所帮助。