返回

爬取CSDN文章代码

发布时间:2023-09-04 17:59:35 189


import requests
import parsel
import tomd
import os
import re

#对一篇文章的爬取
def spider_csdn(title_url): # 目标文章的链接
head={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36 Edg/84.0.522.52",
"Referer":
}
html=requests.get(url=title_url,headers=head).text
page=parsel.Selector(html)
#创建解释器
title=page.css(".title-article::text").get()
content=page.css("article").get()
content=re.sub("","",content)
content = re.sub("
", "", content)
text=tomd.Tomd(content).markdown
#转换为markdown 文件
path = os.getcwd() # 获取当前的目录路径
file_name = "/passage"
final_road = path + file_name
try:
os.mkdir(final_road)
print('创建成功!')
except:
print('目录已经存在或异常')
with open(final_road+r"/"+title+".md",mode="w",encoding="utf-8") as f:
f.write("#"+title)
f.write(text)

def main():
print("本项目由tansty开发")
url = input("请输入网址:")
spider_csdn(url)

if __name__ == '__main__':
main()


特别声明:以上内容(图片及文字)均为互联网收集或者用户上传发布,本站仅提供信息存储服务!如有侵权或有涉及法律问题请联系我们。
举报
评论区(0)
按点赞数排序
用户头像
精选文章
thumb 中国研究员首次曝光美国国安局顶级后门—“方程式组织”
thumb 俄乌线上战争,网络攻击弥漫着数字硝烟
thumb 从网络安全角度了解俄罗斯入侵乌克兰的相关事件时间线