oaklet 发表于 2013-1-15 02:41:30

文本处理学习笔记2

环境情况如下:
python-2.5.2

Python在文本处理方面很有特色,
用的时候书写自然,编写快速,处理速度也凑和。
下面是准备实现一个抓帖小工具,抓谁呢?
抓天涯吧,人气还行,只看楼主功能还收费。

python代码(CrawlerTianYa.py):
# coding:gbkimport osimport sysimport urllibimport sgmllibescape_str = """!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~\t\r\n"""class TitleCrawler(sgmllib.SGMLParser):    def __init__(self, url_str):      sgmllib.SGMLParser.__init__(self)      self.url_prefix = url_str.rsplit("/", 1)      self.url_dict = {}      self.url_list = []      self.url_pre = None    def reset(self):      sgmllib.SGMLParser.reset(self)      self.writer_name = ""      self.writer_reach = False      self.topic_name = ""      self.topic_reach = False      self.vdata = []    def start_a(self, attrs):      for k, v in attrs:            if k != "href":                continue            if not self.writer_name and "Listwriter.asp?vwriter=" in v:                self.writer_reach = True            if "ArticlesList.asp?stritem=" in v:                self.topic_reach = True                self.vdata.append(self.vdata_temp)            if self.url_prefix in v and not self.url_dict.has_key(v):                self.url_pre = v    def start_br(self, attrs):      if self.topic_reach:            self.topic_reach = False            self.topic_name = escapeTxt("".join(self.vdata))            self.vdata = []    def handle_data(self, text):      self.vdata_temp = text      if self.writer_reach:            self.writer_reach = False            self.writer_name = text      if self.topic_reach:            self.vdata.append(text)      if self.url_pre:            text = text.strip()            if text.isdigit():                self.url_dict = text                self.url_list.append((self.url_pre, text))            self.url_pre = Noneclass UserCrawler(sgmllib.SGMLParser):    def __init__(self, writer):      sgmllib.SGMLParser.__init__(self)      self.writer_name = writer      self.is_all = (self.writer_name=="ALL")    def reset(self):      sgmllib.SGMLParser.reset(self)      self.writer_mayreach = False      self.writer_reach = False      self.topic_data = []      self.vdata = []    def start_a(self, attrs):      for k, v in attrs:            if k != "href":                continue            if "Listwriter.asp?vid=" in v or "Listwriter.asp?vwriter=" in v:                self.writer_mayreach = True    def start_table(self, attrs):      self.writer_mayreach = False      if self.writer_reach:            self.writer_reach = False            self.topic_data.extend(self.vdata)            self.vdata = []    def start_span(self, attrs):      self.writer_mayreach = False      if self.writer_reach:            self.writer_reach = False            self.topic_data.extend(self.vdata)            self.vdata = []    def start_br(self, attrs):      if self.writer_reach:            self.vdata.append("\n")    def handle_data(self, text):      if self.writer_mayreach:            self.writer_mayreach = False            if self.is_all or self.writer_name in text:                self.writer_reach = True                self.vdata.append(self.vdata_temp)      if self.writer_reach:            self.vdata.append(text)      self.vdata_temp = textdef recursive(url_str, url_tag, dir_str, topic_name, writer_name, url_dict, url_list):    # 递归最大页数判断:    page_count = int(url_dict["page_count"])    if page_count < 1:      return    url_dict = url_tag    url_list.append((url_str, url_tag))    data_t = readUrl(url_str)    tc_t = TitleCrawler(url_str)    tc_t.feed(data_t)    tc_t.close()    if not topic_name:      topic_name = tc_t.topic_name      url_dict["topic_name"] = topic_name    if not writer_name:      writer_name = tc_t.writer_name      url_dict["writer_name"] = writer_name      if url_dict.has_key("user_name") and url_dict["user_name"]:            writer_name = url_dict["user_name"]            url_dict["writer_name"] = writer_name    if not dir_str:      dir_str = "tianya" + os.sep + topic_name      url_dict["dir_str"] = dir_str      if not os.path.exists(dir_str):            print dir_str            os.makedirs(dir_str)    uc_t = UserCrawler(writer_name)    uc_t.feed(data_t)    uc_t.close()    o_txt = "".join(uc_t.topic_data)    o_txt = stripTxt(o_txt)    file_name = dir_str + os.sep + url_tag + ".txt"    print file_name    file_cur = file(file_name, "w")    file_cur.write(o_txt)    file_cur.close()    # 递归最大页数判断:    page_count = int(url_dict["page_count"])    page_count = page_count - 1    url_dict["page_count"] = str(page_count)    if page_count < 1:      return    # 递归取下一个链接    for k, v in tc_t.url_list:      if not url_dict.has_key(k):            recursive(k, v, dir_str, topic_name, writer_name, url_dict, url_list)def createUrlLog(dir_str, writer_name, url_list):    result = ["writer_name = %s"%writer_name]    for kv in url_list:      result.append("%s = %s"%kv)    file_name = dir_str + os.sep + "0.log"    print file_name    file_log = file(file_name, "w")    file_log.write("\n".join(result))    file_log.close()def readUrl(url_str):    print url_str    socket_t = urllib.urlopen(url_str)    data_t = socket_t.read()    socket_t.close()    return data_tdef escapeTxt(text_str):    result = []    for i in text_str:      if i not in escape_str:            result.append(i)    return "".join(result)def stripTxt(text_str):    text_arr = text_str.splitlines()    result = []    for i in text_arr:      line = i.replace("  ", "")      result.append(line.strip())    return "\n".join(result)def usage():    print "tianya -h"    print "tianya -c http://www.tianya.cn/publicforum/content/free/1/1491738.shtml"    print "tianya -a tianya/"    print "tianya -n 10 -c http://www.tianya.cn/publicforum/content/free/1/1491738.shtml"    print "tianya -n 10 -a tianya/『天涯杂谈』医行天下"    print "Options include:"    print "    -h    - 打印帮助"    print "    -c - 从帖子首页开始抓取"    print "    -a - 更新已经抓取过的帖子"    print "    -n - 抓取的最大页面数,防止中途断掉,默认32页"    print "    -u    - 抓取哪个用户的帖子,ALL代表全部,默认为楼主"    if not os.path.exists("tianya"):      return    tianya_dir = os.listdir("tianya")    if not tianya_dir:      return    print "当前可更新:"    for i in tianya_dir:      print "tianya -a tianya/" + iif __name__ == "__main__":    if "-h" in sys.argv:      usage()    elif "-c" in sys.argv:      page_count = "8"      if "-n" in sys.argv:            page_count = sys.argv      user_name = ""      if "-u" in sys.argv:            user_name = sys.argv      url_str = sys.argv      url_dict = {"page_count":page_count, "user_name":user_name}      url_list = []      recursive(url_str, "1", None, None, None, url_dict, url_list)      createUrlLog(url_dict["dir_str"], url_dict["writer_name"], url_list)    elif "-a" in sys.argv:      page_count = "32"      if "-n" in sys.argv:            page_count = sys.argv      user_name = ""      if "-u" in sys.argv:            user_name = sys.argv      dir_str = sys.argv      topic_name = dir_str.split(os.sep)[-1]      file_name = dir_str + os.sep + "0.log"      file_log = file(file_name, "r")      data_t = file_log.readlines()      file_log.close()      writer_name = None      url_str = None      url_tag = None      url_dict = {"page_count":str(int(page_count)+1), "user_name":user_name}      url_list = []      entry_t = data_t.split("=")      k = entry_t.strip()      v = entry_t.strip()      writer_name = v      for i in data_t:            entry_t = i.split("=")            k = entry_t.strip()            v = entry_t.strip()            url_dict = v            url_list.append((k, v))      entry_t = data_t[-1].split("=")      k = entry_t.strip()      v = entry_t.strip()      url_str = k      url_tag = v      recursive(url_str, url_tag, dir_str, topic_name, writer_name, url_dict, url_list)      createUrlLog(dir_str, writer_name, url_list)    else:      usage()

具体使用方法如下:
把文件放入一个目录,如 D:\Spider
命令行进入目录,输入 tianya 回车,
一些常用命令行将打印出来,
例如 一个帖子第一页如下:
http://www.tianya.cn/publicforum/content/free/1/1491738.shtml
抓取命令使用:
tianya -c http://www.tianya.cn/publicforum/content/free/1/1491738.shtml

复杂点的可以用
tianya -c http://www.tianya.cn/publicforum/content/free/1/1491738.shtml -n 3
先抓3页下来看看。

曾经抓过的帖子,再次向后跟进就不需要这么多了,
现在可以再输入 tianya 回车,命令有增加了类似于:
tianya -a tianya/『天涯杂谈』医行天下
现在只要使用这个命令就能继续抓了。
网速不好的,可能会断线报错什么的,不过不用怕,再输入再抓即可。


更特殊的选项:
    -n - 抓取的最大页面数,防止中途断掉,默认32页
    -u    - 抓取哪个用户的帖子,ALL代表全部,默认为楼主
这个-n是为网络状况不同的人而设置的,网络状况好的可以设置大点,网络状况不好就设置小一点。
-u 是为了专门查看某人的回帖而设置,当然不给这个参数默认就是楼主了,要是想把所有人都抓了呢(包括楼主和所有回帖),就这样:
tianya -c http://www.tianya.cn/publicforum/content/free/1/1491738.shtml -u ALL
tianya -a tianya/『天涯杂谈』医行天下 -u ALL

当初看孔二狗的东北往事:黑道风云20年没把我累死,
所以以后用工具,
希望大家在天涯看帖更轻松!(非广告)
页: [1]
查看完整版本: 文本处理学习笔记2