[Python学习] 简单爬取CSDN下载资源信息
最后更新于：2022-04-01 09:35:42
这是一篇Python爬取CSDN下载资源信息的例子，主要是通过urllib2获取CSDN某个人所有资源的资源URL、资源名称、下载次数、分数等信息；写这篇文章的原因是我想获取自己的资源所有的评论信息，但是由于评论采用JS临时加载，所以这篇文章先简单介绍如何人工分析HTML页面爬取信息。
**源代码**
~~~
# coding=utf-8
import urllib
import time
import re
import os
#**************************
#第一步 遍历获取每页对应主题的URL
#http://download.csdn.net/user/eastmount/uploads/1
#http://download.csdn.net/user/eastmount/uploads/8
#**************************
num=1 #记录资源总数 共46个资源
number=1 #记录列表总数1-8
fileurl=open('csdn_url.txt','w+')
fileurl.write('********获取资源URL*******\n\n')
while number<9:
url='http://download.csdn.net/user/eastmount/uploads/' + str(number)
fileurl.write('下载列表URL:'+url+'\n\n')
print unicode('下载列表URL:'+url,'utf-8')
content=urllib.urlopen(url).read()
open('csdn.html','w+').write(content)
#获取包含URL块内容 匹配需要计算</div>个数
start=content.find(r'<div class="list-container mb-bg">')
end=content.find(r'<div class="page_nav">')
cutcontent=content[start:end]
#print cutcontent
#获取块内容中URL
#形如<dt><div><img 图标></div><h3><a href>标题</a></h3></dt>
res_dt = r'<dt>(.*?)</dt>'
m_dt = re.findall(res_dt,cutcontent,re.S|re.M)
for obj in m_dt:
#记录URL数量
print '**********************'
print '第'+str(num)+'个资源'
fileurl.write('**********************\n')
fileurl.write('第'+str(num)+'个资源\n')
num = num +1
#获取具体URL
url_list = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')", obj)
for url in url_list:
url_load='http://download.csdn.net'+url
print 'URL： '+url_load
fileurl.write('URL： http://download.csdn.net'+url+'\n')
#获取资源标题
#<a href="/detail/eastmount/8757243">MFC显示BMP图片</a>
res_title = r'<a href=.*?>(.*?)</a>'
title = re.findall(res_title,obj,re.S|re.M)
for t in title:
print unicode('Title: ' + t,'utf-8')
fileurl.write('Title： ' + t +'\n')
#**************************
#第二步 遍历具体资源的内容及评论
#http://download.csdn.net/detail/eastmount/8785591
#**************************
#定位指定结构化信息盒Infobox
resources = urllib.urlopen(url_load).read()
open('resource.html','w+').write(resources)
start_res=resources.find(r'<div class="wraper-info">')
end_res=resources.find(r'<div class="enter-link">')
infobox=resources[start_res:end_res]
#获取资源积分、下载次数、资源类型、资源大小(前4个<span></span>)
res_span = r'<span>(.*?)</span>'
m_span = re.findall(res_span,infobox,re.S|re.M)
print '资源积分： '+m_span[0]
fileurl.write('资源积分: ' + m_span[0] +'\n')
print '下载次数： '+m_span[1]
fileurl.write('下载次数: ' + m_span[1] +'\n')
print '资源类型： '+m_span[2]
fileurl.write('资源类型: ' + m_span[2] +'\n')
print '资源大小： '+m_span[3]
fileurl.write('资源大小: ' + m_span[3] +'\n')
#**************************
#第三步 如何获取评论
#http://jeanphix.me/Ghost.py/
#http://segmentfault.com/q/1010000000143340
#http://casperjs.org/
#**************************
else:
fileurl.write('**********************\n\n')
print '**********************\n'
print 'Load Next List\n'
number = number+1 #列表加1
#退出所有循环
else:
fileurl.close()
~~~
显示结果
显示内容包括资源URL、资源标题、资源积分、下载次数、资源类型和资源大小：
比如现在爬取郭霖大神的资源信息，其中页面链接如下：(共7页)
[http://download.csdn.net/user/sinyu890807/uploads/1](http://download.csdn.net/user/sinyu890807/uploads/1)
[http://download.csdn.net/user/sinyu890807/uploads/7](http://download.csdn.net/user/sinyu890807/uploads/7)
简单修改Python源代码URL后，下载页面如下图所示：
运行结果如下图所示：
HTML分析
首先，获取每列中的所有资源的URL和标题，通过分析源代码。
~~~
<dt>
<div class="icon"><img src="/images/minetype/rar.gif" title="rar文件"></div>
<div class="btns"></div>
<h3><a href="/detail/eastmount/8772951">
MFC 图像处理之几何运算 图像平移旋转缩放镜像(源码)</a>
<span class="points">0</span>
</h3>
</dt>
<dd class="meta">上传者：
<a class="user_name" href="/user/eastmount">eastmount</a>
| 上传时间：2015-06-04
| 下载26次
</dd>
<dd class="intro">
该资源主要参考我的博客【数字图像处理】六.MFC空间几何变换之图像平移、镜像、旋转
缩放详解，主要讲述基于VC++6.0 MFC图像处理的应用知识，要通过MFC单文档视图实现显
示BMP图片。
</dd>
<dd class="tag">
<a href="/tag/MFC">MFC</a>
<a href="/tag/%E5%9B%BE%E5%83%8F%E5%A4%84%E7%90%86">图像处理</a><
</dd>
~~~
对应的HTML显示如下图所示：
然后通过URL去到具体的资源获取我自己称为像消息盒的信息：
对应审查元素的信息如下所示，获取<span>0分</span>即可：
最后我想做的事获取评论信息，但是它是通过JS实现的：
~~~
<div class="section-list panel panel-default">
<div class="panel-heading">
<h3 class="panel-title">资源评论</h3>
</div>
<!-- recommand -->
<script language='JavaScript' defer type='text/javascript'
src='/js/comment.js'></script>
<div class="recommand download_comment panel-body" sourceid="8772951"></div>
</div>
~~~
显示的JS页面部分如下：
~~~
var base_url= (window.location.host.substring(0,5)=='local') ? 'http://local.downloadv3.csdn.net' : 'http://download.csdn.net';
base_url = "";
$(document).ready(function(){
CC_Comment.initConfig();
CC_Comment.getContent(1);
});
var CC_Comment =
{
sourceid:0,
initConfig:function()
{
var sid = parseInt($(".download_comment").attr('sourceid'));
if(isNaN(sid) || sid<=0)
{
this.sourceid = 0;
}else
{
this.sourceid = sid;
}
}
....
}
~~~
最后希望文章对你有所帮助吧！下一篇准备分析下Python如何获取JS的评论信息，同时该篇文章可以给你提供一种简单的人工分析页面的例子；也可以获取某个人CSDN资源下载多、分数高的给你挑选。基础知识，仅供参考~
（By:Eastmount 2015-7-21 下午5点 [http://blog.csdn.net/eastmount/](http://blog.csdn.net/eastmount/)）