python获取知乎日报另存为txt文件

前言

拿来练手的，比较简单（且有bug），欢迎交流~

功能介绍

抓取当日的知乎日报的内容，并将每篇博文另存为一个txt文件，集中放在一个文件夹下，文件夹名字为当日时间。

使用的库

re，BeautifulSoup，sys，urllib2

注意事项

1.运行环境是Linux，python2.7.x，想在win上使用直接改一下里边的命令就可以了

2.bug是在处理 “如何正确吐槽”的时候只能获取第一个（懒癌发作了）

3.直接获取（如下）内容是不可以的，知乎做了反抓取的处理

urllib2.urlop(url).read()

所以加个Headers就可以了

4.因为zhihudaily.ahorn.me这个网站时不时挂掉，所以有时候会出现错误

1 def getHtml(url):

2     header={'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:14.0) Gecko/20100101 Firefox/14.0.1','Referer' : '******'}

3     request=urllib2.Request(url,None,header)

4     response=urllib2.urlopen(request)

5     text=response.read()

6     return text

4.在做内容分析的时候可以直接使用re，也可以直接调用BeautifulSoup里的函数（我对正则表达式发怵，所以直接bs），比如

1 def saveText(text):

2     soup=BeautifulSoup(text)

3     filename=soup.h2.get_text()+".txt"

4     fp=file(filename,'w')

5     content=soup.find('div',"content")

6     content=content.get_text()

show me the code

 1 #Filename:getZhihu.py

 2 import re

 3 import urllib2

 4 from bs4 import BeautifulSoup

 5 import sys

 6 

 7 reload(sys)

 8 sys.setdefaultencoding("utf-8")

 9 

10 #get the html code

11 def getHtml(url):

12     header={'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:14.0) Gecko/20100101 Firefox/14.0.1','Referer' : '******'}

13     request=urllib2.Request(url,None,header)

14     response=urllib2.urlopen(request)

15     text=response.read()

16     return text

17 #save the content in txt files

18 def saveText(text):

19     soup=BeautifulSoup(text)

20     filename=soup.h2.get_text()+".txt"

21     fp=file(filename,'w')

22     content=soup.find('div',"content")

23     content=content.get_text()

24     

25 #   print content #test

26     fp.write(content)

27     fp.close()

28 #get the urls from the zhihudaily.ahorn.com

29 def getUrl(url):

30     html=getHtml(url) 

31 #   print html

32     soup=BeautifulSoup(html)

33     urls_page=soup.find('div',"post-body")

34 #   print urls_page

35 

36     urls=re.findall('"((http)://.*?)"',str(urls_page))

37     return urls 

38 #main() founction

39 def main():

40     page="http://zhihudaily.ahorn.me"

41     urls=getUrl(page)

42     for url in urls:

43         text=getHtml(url[0])

44         saveText(text)

45 

46 if __name__=="__main__":

47     main()