python爬虫

cnbeta网站
将cnbeta网站的文章抓取分析,转换为markdown

#!/usr/bin/env python
# encoding:utf-8

import sys
import os
import time
import hashlib
import argparse
import requests
from bs4 import BeautifulSoup

import argparse
parser = argparse.ArgumentParser(description='manual to this script')
parser.add_argument('--url', type=str, default = None)
parser.add_argument('--dir', type=str, default = "./")
parser.add_argument('--path', type=str, default = None)
parser.add_argument('--date', type=str, default = time.strftime("%Y-%m-%-d", time.localtime()))
args = parser.parse_args()

if args.url is None:
    print('Please use as: html2md --url url')
    sys.exit()

path = args.path
if path is None:
    path = '/' + hashlib.md5(args.url).hexdigest()
print('path:'+path)
date = args.date
save_dir = args.dir

if not os.path.isdir(save_dir):
    os.mkdir(save_dir)

r = requests.get(args.url)
soup = BeautifulSoup(r.content, "lxml")

title = soup.title.string.split(' -')[0]
if '"' in title:
    title = title.replace('"', '\\"')
description = soup.find(attrs={"property":"og:description"})['content']

mdMeta = '---\npath: "' + path + '"\ndate: "' + date + '"\ntitle: "' + title + '"\ntags: []\nexcerpt: "' + description + '"\n'

main_wrap = soup.find(name='div', attrs={"class":"main-wrap"})
if main_wrap is None:
    print('get main_wrap failed')
    sys.exit()

article_body = main_wrap.find(name='div', attrs={"class":"cnbeta-article-body"})
if article_body is None:
    print('get article body failed')
    sys.exit()

article_content = article_body.find('div',id="artibody")
if article_content is None:
    print('get article_content failed')
    sys.exit()

mdContent = ''
is_attached = False
pchilds = article_content.find_all('p')
for p in pchilds:
    if p.parent != article_content:
        continue

    img = p.find('img')
    if img is not None:
        ir = requests.get(img['src'])
        if ir.status_code == 200:
            fn = os.path.basename(img['src'])
            open(save_dir+'/'+fn, 'wb').write(ir.content)
            if not is_attached:
                is_attached = True
                mdMeta += 'attachments: \n\t- "' + fn + '"\n---\n\n'
                print("attachemet:" + fn)
            else:
                mdContent += '<div style="text-align: center"><img src="' + fn + '"</div>\n\n'
        else:
            print('download image:' + img['src'] + ' failed, status_code:' + ir.status_code)
        continue

    if 'style' in p.attrs and 'text-align: center' in p.attrs['style']:
        continue

    mdContent += p.text + '\n\n'

if not is_attached:
    mdMeta += '---\n\n'

f = open(save_dir+'/'+path+'.md', 'wb')
f.write((mdMeta+mdContent).encode('utf-8'))
f.close()
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,752评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,100评论 3 387
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 159,244评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,099评论 1 286
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,210评论 6 385
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,307评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,346评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,133评论 0 269
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,546评论 1 306
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,849评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,019评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,702评论 4 337
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,331评论 3 319
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,030评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,260评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,871评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,898评论 2 351

推荐阅读更多精彩内容