在学习python的过程中,经过不断的尝试及努力,终于完成了第一个像样的python程序,虽然还有很多需要优化的地方,但是目前基本上实现了我所要求的功能,先贴一下程序代码:
具体代码如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
|
#! /usr/bin/python import os,urllib2,re,time,MySQLdb,sys reTitle = re. compile ( '<font[^>]*>(.*?)<\/font><font[^>]*' ) reNeiron = re. compile ( '[1-9|A-Z|a-z].*' ) retiqu = re. compile ( '^(?!MARGINWIDTH|BR).*.[^>|}]$' ) rezhong = re. compile ( '^[^[].*' ) shijian = 1190944000 Str1 = "\\n---------------- BLOG OF YAO" bianhao = 2859 for i in range ( 1 , 1500 ): Str2 = "" ltime = time.localtime(shijian) timeStr = time.strftime( "%Y%m%d" ,ltime) url = "http://www.jokeswarehouse.com/cgi-bin/viewjoke2.cgi?id=%s" % timeStr print url a = urllib2.urlopen(url).read() Title = reTitle.findall(a) print "==========================================================================================================" for titles in map ( None ,Title): titles = MySQLdb.escape_string(titles) print titles Neiron = re.findall(reNeiron,a) for i in map ( None ,Neiron): x = re.findall(retiqu,i) for str in x: str = MySQLdb.escape_string( str ) Str2 + = str + "\\n" shijian + = 86400 bianhao + = 1 try : conn = MySQLdb.connect( "XXXX.XXXX.XXXX.XXXX" , "user" , "passwd" , "dbname" ,charset = "utf8" , init_command = "set names utf8" ) except MySQLdb.OperationalError,message: print "like error" cursor = conn.cursor() sql = "INSERT INTO wp_posts (post_author,post_date,post_date_gmt,post_content,post_content_filtered,post_title,post_excerpt,post_status,post_type,comment_status,ping_status,post_password,post_name,to_ping,pinged,post_modified,post_modified_gmt,post_parent,menu_order,guid) VALUES (\'1\',\'2011-06-01 22:12:25\',\'2011-05-09 04:12:25\',\'\',\'\',\'Auto Draft\',\'\',\'inherit\',\'revision\',\'open\',\'open\',\'\',\'100-revision\',\'\',\'\',\'2011-06-01 22:12:25\',\'2011-05-09 04:12:25\',\'%s\',\'0\',\'\')" % bianhao sql2 = "UPDATE wp_posts SET post_author = 1, post_date = \'2011-06-01 22:12:25\', post_date_gmt = \'2011-06-01 22:12:25\', post_content =\'%s\', post_content_filtered = \'\', post_title = \'%s\', post_excerpt = \'\', post_status = \'publish\', post_type = \'post\', comment_status = \'open\', ping_status = \'open\', post_password = \'\', post_name = \'%s\', to_ping = \'\', pinged = \'\', post_modified = \'2011-06-01 22:12:25\', post_modified_gmt = \'2011-05-09 04:12:30\', post_parent = 0, menu_order = 0, guid = \'http://www.moncleronlineshops.com/?p=%s\' WHERE ID = %s" % (Str2,titles,titles,bianhao,bianhao) cursor.execute(sql) cursor.execute(sql2) cursor.close() conn.close() sys.exit() |
下面,我们来给代码加些注释,让读者能看的更明白一些,如下:
具体代码如下
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
|
#! /usr/bin/python import os,urllib2,re,time,MySQLdb,sys #加载本程序需要调用的相模块 reTitle = re. compile ( '<font[^>]*>(.*?)<\/font> <font[^>]*' ) # 定义一下取文章标题的正则 reNeiron = re. compile ( '[1-9|A-Z|a-z].*' ) #定义一个取提取文章内容的正则(注:这里提取出来的不是很精细,需要在下面的正则里,再进行提取,这里只是取一个大概) retiqu = re. compile ( '^(?!MARGINWIDTH|BR).*.[^>|}]$' ) #这里定义一个正则,将上面reNeiron提取出来的字符,再进行细化。 shijian = 1190944000 #这里字义了一个时间戳, Str1 = "\\n---------------- BLOG OF YAO" #这个没用,开始是准备加到文章里的,后来没加进去。 bianhao = 2859 #这里是wordpress 的文章编号,直接查看wp-posts表的id 字段的最后一个数字。 for i in range ( 1 , 1500 ): #循环1500遍,也就是采集1500篇文章。 Str2 = "" #先赋值给Str2 空值 ltime = time.localtime(shijian) timeStr = time.strftime( "%Y%m%d" ,ltime) #这两句将上面的时间戳改为时间,样式为19700101这样的格式 url = "http://www.jokeswarehouse.com/cgi-bin/viewjoke2.cgi?id=%s" % timeStr #定义要采集的网站,将转化后的时间放在这个url的最后。 a = urllib2.urlopen(url).read() #将这个网页的源代码读出来,赋值给a; Title = reTitle.findall(a) #使用 reTitle这个正则提取出标题 print "==========================================================================================================" for titles in map ( None ,Title): #上面提取出来的标题前后都有一个 [] 所以我们要写个 for 循环把前后的[]去掉,并转义成能直接插入mysql库的格式。 titles = MySQLdb.escape_string(titles) Neiron = re.findall(reNeiron,a) #先用reNeiron,取个大概的内容模型出来。这些都是以逗号分隔的数组。 for i in map ( None ,Neiron): # 我们来循环读出Neiron这个数组里的每个值。 x = re.findall(retiqu,i) #并用 retiqu这个正则提出精细出的内容。 for str in x: str = MySQLdb.escape_string( str ) Str2 + = str + "\\n" #利用这个循环,我们把内容加到一起,并赋值给Str2这个变量,这个 Str2这个变量就是所有的文章内容。 shijian + = 86400 #每循环一次,就把shijian这个变量加上一天。 bianhao + = 1 #每循环一次,就把bianhao这个变量加上一 try : #下面是用mysqldb连接数据库,并尝试连接是否成功。 conn=MySQLdb.connect("XXXX.XXXX.XXXX.XXXX","user","passwd","dbname",charset="utf8", init_command="set names utf8") except MySQLdb.OperationalError,message: print "like error" cursor = conn.cursor() #下面是插入wordpress数据库的两条语句,我是从mysqlbinlog里面导出来的,测试是可以插入数据库,并能正常把内容显示在网页的。变量都写在这两条语句里。 sql = "INSERT INTO wp_posts (post_author,post_date,post_date_gmt,post_content,post_content_filtered,post_title,post_excerpt,post_status,post_type,comment_status,ping_status,post_password,post_name,to_ping,pinged,post_modified,post_modified_gmt,post_parent,menu_order,guid) VALUES (\'1\',\'2011-06-01 22:12:25\',\'2011-05-09 04:12:25\',\'\',\'\',\'Auto Draft\',\'\',\'inherit\',\'revision\',\'open\',\'open\',\'\',\'100-revision\',\'\',\'\',\'2011-06-01 22:12:25\',\'2011-05-09 04:12:25\',\'%s\',\'0\',\'\')" % bianhao sql2 = "UPDATE wp_posts SET post_author = 1, post_date = \'2011-06-01 22:12:25\', post_date_gmt = \'2011-06-01 22:12:25\', post_content =\'%s\', post_content_filtered = \'\', post_title = \'%s\', post_excerpt = \'\', post_status = \'publish\', post_type = \'post\', comment_status = \'open\', ping_status = \'open\', post_password = \'\', post_name = \'%s\', to_ping = \'\', pinged = \'\', post_modified = \'2011-06-01 22:12:25\', post_modified_gmt = \'2011-05-09 04:12:30\', post_parent = 0, menu_order = 0, guid = \'http://www.moncleronlineshops.com/?p=%s\' WHERE ID = %s" % (Str2,titles,titles,bianhao,bianhao) cursor.execute(sql) cursor.execute(sql2) #连接数据库并执行这两条语句。 cursor.close() conn.close() #关闭数据库。 sys.exit() |
上面是程序的代码,采集的是:www.jokeswarehouse.com 的一个笑话网站。通过 python 的 re 模块,也就是正则匹配模块,运行相应的正则表达式,进行过滤出我们所需要的标题和文章内容,再运用 python 的mysqldb 模块,进行连接数据库,利用相应的插入语句,进行插入数据库。