• 首页
    • English
    • 中文
  • 关于我们
  • 服务项目
    • 谷歌SEO服务
    • WordPress建站服务
    • 谷歌ADS/SEM代运营
  • 项目案例
    • 医疗
    • 建材
    • 机械加工
    • 照明
    • 电商
    • 电脑硬件
  • 博客
    • 服务器运维
      • aliyun
      • 服务器安装
      • 宝塔面板
      • 虚拟化
      • 阿里云
      • Centos
      • linux
      • nginx
    • 电子商务
    • 免费资源
    • PHP
      • Magento
      • WordPress
    • 大数据采集
    • Python
    • Javascript
    • SEO
    • 未分类
  • 联系我们
What's Hot

机械模具加工公司网站设计案例

24 10 月, 2023

快速原型公司案例

24 10 月, 2023

陶瓷加工网站案例

24 10 月, 2023
Facebook Twitter Instagram
  • 中文
  • English
Facebook Twitter Instagram
VPSEO VPSEO
  • 首页
    • English
    • 中文
  • 关于我们
  • 服务项目
    • 谷歌SEO服务
    • WordPress建站服务
    • 谷歌ADS/SEM代运营
  • 项目案例
    • 医疗
    • 建材
    • 机械加工
    • 照明
    • 电商
    • 电脑硬件
  • 博客
    • 服务器运维
      • aliyun
      • 服务器安装
      • 宝塔面板
      • 虚拟化
      • 阿里云
      • Centos
      • linux
      • nginx
    • 电子商务
    • 免费资源
    • PHP
      • Magento
      • WordPress
    • 大数据采集
    • Python
    • Javascript
    • SEO
    • 未分类
  • 联系我们
VPSEO VPSEO
Home»Python»爬虫:CSDN文章批量抓取以及导入WordPress
Python

爬虫:CSDN文章批量抓取以及导入WordPress

chrispengcnBy chrispengcn7 8 月, 2021没有评论3 Mins Read
Facebook Twitter Pinterest LinkedIn Tumblr Email
Share
Facebook Twitter LinkedIn Pinterest Email

爬虫:CSDN文章批量抓取以及导入WordPress

置顶 2016年11月07日 00:04:27 Simael__Aex 阅读数:3656 标签: python爬虫 更多

个人分类: python
版权声明:转载请注明出处:http://blog.csdn.net/m0sh1 http://blog.share345.com/ https://blog.csdn.net/m0sh1/article/details/53058195

学习python 写了个简单的小功能:

CSDN文章批量抓取以及导入WordPress

代码地址: https://github.com/ALawating-Rex/csdn_wordpress_posts_import

原文写到了:http://blog.share345.com/2016/10/04/csdn-wordpress-posts-import.html

CSDN 文章批量抓取以及导入 WordPress

简介


  1. python练手项目
  2. 不仅可以将自己的CSDN博客导入 wp 也可以抓取别人的
  3. 友情提示:抓取他人的请注明文章出处 (∵)nnn
  4. 代码写有点乱,慎读

使用


  1. 修改必要变量值后 运行 ready/1.py 即可
  2. 修改变量 wp_url,wp_url_tags 为你的 wp 地址
  3. 修改变量 username,password 为你的用户名密码
  4. 修改 ready_cate_id 为你准备导入的分类,当然你也可以参考tag 那样动态分配分类
  5. wp 要安装 rest api 插件 安装方法这里不做说明了
  6. 实例请看 http://blog.share345.com/category/muti-information/old-pages
#coding=utf-8
import sys
# import urllib
# import urllib2
# import cookielib
from helper.tools import *
from helper.parse_page import *
from lxml import etree
import json

# todo 尝试使用 scrapy

reload(sys)
sys.setdefaultencoding('utf8')
sys.setrecursionlimit(2000)

wp_url = "http://127.0.0.1/wp-json/wp/v2/posts"
wp_url_tags = "http://127.0.0.1/wp-json/wp/v2/tags"
username = "simael"
password = "123456"
# ready_cate_id = "4"
ready_cate_id = "11"
wp_data = {}
wp_headers = {}
old_tags = {}

# todo 先获取所有的 old tags
res_old_tags = Crawl_helper_tools_url.http_auth_handle_get_tag(wp_url_tags,wp_data)
if (res_old_tags == "fail"):
    print('获取标签失败')
    sys.exit()
decode_res_tags = json.loads(res_old_tags)
for res_tag in decode_res_tags:
    old_tags[res_tag['name']] = res_tag['id']
print('已经存在的标签列表:')
print(old_tags)

url = 'http://blog.csdn.net/m0sh1'
root_url = 'http://blog.csdn.net'
# var = 'this is a var in'
# print(Crawl_helper_tools_url.testfunction(var))

headers = {'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:45.0) Gecko/20100101 Firefox/45.0','Referer' : 'http:www.share345.com'}

crawl_url = Crawl_helper_tools_url(url,root_url)
html = crawl_url.getCurl(url,{},headers)
# print html
if html == '' or html == 'None':
    print '读取 html 失败'
    sys.exit()

# print html

tree = etree.HTML(html)
crawl_url.parse_html_page_count(tree,'//*[@id="papelist"]/span')
# 多线程  一页一个线程 还是一个链接一个线程
# 链接类似:  http://blog.csdn.net/m0sh1/article/list/1  1表示第一页
count = crawl_url.getCount()
page = crawl_url.getPage()
i = 1


#   TODO 每页创建 一个线程
#   TODO 分析每页循环取出每篇文章的内容等

while(i <= int(page)):
    # http://blog.csdn.net/m0sh1/article/list/1
    next_page_url = url + '/article/list/' + str(i)
    # 重新获取 新的 tree

    # next_page_crawl_url = crawl_url
    # TODO 上面一行是测试代码 下面的三行才是每次循环取出来的真正的HTML页面
    next_page_crawl_url = Crawl_helper_tools_url(next_page_url,root_url)

    try:
        next_page_html = next_page_crawl_url.getCurl(next_page_url,{},headers)
    except Exception , e:
        print 'except 读取某一页异常....',e
        continue

    next_page_tree = etree.HTML(next_page_html)

    # next_page_tree = tree
    i += 1
    print(next_page_url)
    # TODO 置顶的文章不需要读取  在后面页码中还会有真和谐文章的
    top_page_list = next_page_crawl_url.getPageTitle(next_page_tree,'//*[@id="article_toplist"]')
    if(top_page_list):
        pass
        # print len(top_page_list)
        # print top_page_list
    else:
        print '没有文章哦'

    page_list = next_page_crawl_url.getPageTitle(next_page_tree,'//*[@id="article_list"]')
    if(page_list):
        pass
        # print len(page_list)
        # print page_list
    else:
        print '没有文章哦'
    real_page_list_len = len(top_page_list) + len(page_list)
    real_page_list = top_page_list + page_list
    print real_page_list_len
    print real_page_list
    for n in real_page_list:
        try:
            print n
            parse_page = Crawl_helper_parse_page(n)
            try:
                page_title = parse_page.getTitle_soup(n,{},headers)
                if(page_title == "FAIL"):
                    print(n + "超时了 下一条数据")
                    continue
                print page_title
            except Exception , e:
                print 'except 标题异常....',e
                continue

            try:
                page_tags = parse_page.getTag_soup(n,{},headers)
                print '此文章的 tags 是:'
                print page_tags
                #todo 处理 tags
                for i_page_tag in page_tags:
                    if old_tags.has_key(i_page_tag):
                        print('tag 存在')
                        print(old_tags[i_page_tag])
                    else:
                        print('tag 不存在')
                        print(i_page_tag)
                        #todo 不存在创建tag
                        res = Crawl_helper_tools_url.http_auth_handle_create_tag(username,password,wp_url_tags,i_page_tag,wp_headers)
                        if (res != "fail"):
                            decode_res_create_tag = json.loads(res)
                            old_tags[i_page_tag] = decode_res_create_tag[u'id']

                print('old tags 更新为:')
                print(old_tags)
            except Exception , e:
                print 'except 标签异常....',e
                continue

            try:
                page_content = parse_page.getContent_soup(n,{},headers)
                #print page_content
            except Exception , e:
                print 'except 内容异常....',e
                continue

            # page_cates = next_page_crawl_url.getCates()

            page_content = str(page_content) + "<br><p>此文章通过 python 爬虫创建,原文是自己的csdn 地址: <a target="_blank" href="" + str(n) + "">" + page_title + "</a></p><br>"

            wp_data['status'] = "publish"
            wp_data['title'] = page_title
            wp_data['content'] = page_content
            wp_data['author'] = 1
            wp_data['slug'] = n[-8:]
            wp_data['categories[0]'] = ready_cate_id

            for tag_i in range(len(page_tags)):
                print(page_tags[tag_i])
                wp_data["tags["+str(tag_i)+"]"] = old_tags[page_tags[tag_i].decode('utf-8')]

            # todo 爬虫 添加至 github
            # todo 源代码 带有 script 在 wp中显示有问题

            # print('创建文章 参数')
            # print(wp_data)
            res = Crawl_helper_tools_url.http_auth(username,password,wp_url,wp_data,wp_headers)
            if (res == "fail"):
                print("添加失败")
            # sys.exit()

        except Exception , e:
            print 'except 某篇文章出错....',e
            continue
Share. Facebook Twitter Pinterest LinkedIn Tumblr Email
chrispengcn
  • Website

Related Posts

python自动发布文章到wordpress

23 10 月, 2021

Python发布WordPress文章 – md 文件

23 10 月, 2021

【自动发文】python实现WordPress文章发布(三):批量发布文章

23 10 月, 2021

Web Scraper——轻量数据爬取利器

7 8 月, 2021
Add A Comment

Leave A Reply Cancel Reply

*

code

导航
  • 首页
  • 关于我们
  • 服务项目
  • 项目案例
  • 博客文章
  • 联系我们
博客
  • 服务器运维
  • 服务器安装
  • nginx
  • PHP
  • WordPress
  • Python
  • Javascript
  • SEO
  • 电子商务
  • 大数据采集
  • 宝塔面板
  • 数据库
  • 电子商务
  • 虚拟化
  • 阿里云
导航
  • 首页
  • 关于我们
  • 谷歌SEO服务
  • 谷歌ADS/SEM代运营
  • WordPress建站服务
  • 项目案例
  • 博客
  • 联系我们
最新文章
  • 机械模具加工公司网站设计案例
  • 快速原型公司案例
  • 陶瓷加工网站案例
  • CNC数控加工日文网站案例
  • 触摸一体机数字标牌厂家网站案例
关于我们
关于我们

广州纬来科技有限公司
联系地址:广东省广州市番禺区富华中路富源二街18号合和大厦809

QQ : 13602156
Email : 13926026058@139.com
Contact: +86 13926026058

Facebook Twitter YouTube LinkedIn
© 2025 广州纬来科技有限公司 粤ICP备2023105857号-2
  • 首页
  • 关于我们
  • 谷歌SEO服务
  • 谷歌ADS/SEM代运营
  • WordPress建站服务
  • 项目案例
  • 博客
  • 联系我们

Type above and press Enter to search. Press Esc to cancel.