[Python学习] 简单爬取CSDN下载资源信息

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*******

")

while number<9:
    url="http://download.csdn.net/user/eastmount/uploads/" + str(number)
    fileurl.write("下载列表URL:"+url+"

")
    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("**********************
")
        fileurl.write("第"+str(num)+"个资源
")
        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+"
")
        #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 +"
")

        #**************************
        #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] +"
")
        print "下载次数： "+m_span[1]
        fileurl.write("下载次数: " + m_span[1] +"
")
        print "资源类型： "+m_span[2]
        fileurl.write("资源类型: " + m_span[2] +"
")
        print "资源大小： "+m_span[3]
        fileurl.write("资源大小: " + m_span[3] +"
")

        #**************************
        #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("**********************

")
        print "**********************
"
        print "Load Next List
"
        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/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0分即可：

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/）