csdn_get_readcount(自动获取CSDN博文阅读量数据Python源码).zip

#!/sur/bin/nve python # coding: utf-8 import os import re def get_article_info(blog): ''' re.findall方法提取各项信息，返回各项信息格式化字符串元组 ''' title = '\n\n标题：' + ''.join(re.findall(r'var articleTitle = "([\u2003 \S]+)"', blog)) url = '\n地址：' + ''.join(re.findall(r'本文链接：<a href="([\S]+)"', blog)).strip() articleDesc = '\n摘要：' + ''.join(re.findall(r'var articleDesc = "([\u2003 \S]+)"', blog))[:98] the_end = re.findall(r'\w', articleDesc[-1]) # 获取句末单词字符。 n = len(articleDesc) if the_end and n > 98: # 句末无标点且摘要字符数大于设定值，加省略号。 articleDesc += '……' elif the_end and n < 98: # 句末无标点且摘要字符数小于设定值，加句号。 articleDesc += '。' nike = ''.join(re.findall(r'var nickName = "([\u2003 \S]+)"', blog)) first = ''.join([''.join(i) for i in re.findall(r'>(于)&nbsp;([\S\s]+)&nbsp;(\w*发布)</span>', blog)]) late = ''.join([''.join(i) for i in re.findall(r'<span class="time">(\w+)&nbsp;([\S\s]+)&nbsp;(修改)</span>', blog)]) if first and late: # 拼接博文发布、编辑时间信息。 edit = f"\n{nike}{first}，{late}。" elif first and not late: edit = f"\n{nike}{first}。" else: edit = '' read = '\n阅读：' + ''.join(re.findall(r'<span class="read-count">(\d+)</span>', blog)) active = re.findall(r'(\d*)\s*</span>\s+</a>\s+<div class="tool-hover-tip"><span class="text space">(\w+)', blog) active = '\n' + '\n'.join([f"{y}：{x}" if x else f"{y}：0" for x,y in active]) # 列表解析式格式化博文的点赞、踩、收藏、打赏、评论信息。 return title, articleDesc, url, '\n作者：' + nike, edit, read, active # 返回提取的信息数据元组。 def html_error(blog): ''' 获取博文页面源码错误提示 ''' if not blog: # 获取博文页面源码为空。 tip = f"{'':>13}请核查Url拼写是否正确！" input(f"\n{'':~^50}\n{' Url错误！':^47}\n{'':~^50}\n\n{tip:>4}\n{'':-^50}\n{' 任意键继续…… ':^45}") return else: flag = ''.join(re.findall(r'\d+', blog))[:3] # 找不至网页报错。 if flag == '302' : tip = f"{'':>4}302 Found，原始描述短语为 Moved Temporarily ，是HTTP协议中的一个状态码(Status Code)。可以简单的理解为该资源原本确实存在，但已经被临时改变了位置；换而言之，就是请求的资源暂时驻留在不同的URI下，故而除非特别指定了缓存头部指示，该状态码不可缓存。" input(f"\n{'':~^50}\n{' “302”错误！':^47}\n{'':~^50}\n\n{tip:>4}\n{'':-^50}\n{' 任意键继续…… ':^45}") return elif flag == '404' : tip = f"\n{'':>4}404，是一种HTTP状态码，指网页或文件未找到。\n\n{'':>4}HTTP 404或Not Found错误信息是HTTP的其中一种“标准回应信息”（HTTP状态码），此信息代表客户端在浏览网页时，服务器无法正常提供信息，或是服务器无法回应且不知原因。" input(f"\n{'':~^50}\n{' “404”错误！':^47}\n{'':~^50}\n\n{tip:>4}\n{'':-^50}\n{' 任意键继续…… ':^45}") return return True # 正常获取博文页面源码，返回真。 def get_data(url): ''' 获取CSDN博文内容页面源码并提取数据 ''' os.system(f"curl {url} > /sdcard/Documents/csdn_get_bloghtml.txt") # 获取博文源码并保存到磁盘。 with open('/sdcard/Documents/csdn_get_bloghtml.txt') as f: # 读取保存的博文页面源码文本。 text_html = f.read().split(r'"target="_blank">')[0] if not html_error(text_html): # 获取博文页面源码错误，返回空白字符' '。 return '' return get_article_info(text_html) # 调用函数，从博文源码提取信息。 if __name__ == '__main__': # CSDN博文Url的csv文本文件存储路径。可以用相对路径，但一定要保证执行的py文件和保存CSDN博文Url的文本文件在同一目录，且要先cd到该目录再执行python *.py命令，启动捕获CSDN博文信息作业。 filename = '/sdcard/Documents/csdn_blogurl.txt' # 从csv文本解析博文网址，打印从csv文本解析出的CSDN博文Url。 with open(filename) as f: blogurl = [i.split('\\')[0] for i in f.read().split('\n')[1:]] #print(f"\nCSDN博文Url列表：\n\n{blogurl}\n\n{'测试列表中':>9}{len(blogurl)}个CSDN博文页面。\n") # 打印CSDN博文Url列表。 for url in blogurl: # 遍历Url列表，依次捕获博文网页源码文本，保存到本地磁盘。 print(f"\nUrl：{url}\n") print('\n'.join(get_data(url))) print(f"\n{' 我是分割线 ':~^45}\n") # 分割线。