最近发现CSDN的blog专栏还是很给力的，毕竟这是一整个系列的文章，学习某方面知识比较容易形成体系，而且前人的经验还是相当有参考价值的。
原先也开了两个，只是工作比较忙，加之lz比较懒，所以没啥人气，囧。
最近看书之余，也会去看看别人的专栏，虽然你看或不看，文章就在那里，但是不能上网的时候还是很蛋疼的
so，花了一个小时，写了个python脚本，只需要填下专栏文章列表某一页url【注意不是文章页面，是列表页面】，就能将整个专栏文章端下来。
分享之，想下整个系列文章的同学动手吧。
目前在win7 + py2.7测试通过，要有python环境哈，linux的同学需dos2unix处理下。
木有python环境的，下个吧，2.7，装一下很快的http://www.python.org/
PS.有很多坑，但是下大部分专栏还是没问题的（譬如文件名存在非法字符暂未处理），没异常处理，都怎么简单怎么来
发现坑的话希望能发我，逐步改进，后续有空的话搞掉python环境依赖&增加图形界面
--------------------------------------------------------------------------------------------------
实现思路：
1.到专栏列表页，正则匹配到最后一页的url
2.生成每页url列表，从第一页到最后一页的url
3.抓每一页，正则匹配到列表页里面文章标题和文章地址
4.下载之
木有python的同学可以用其他语言搞下
---------------------------------------------------------------------------------------------------
使用方法：
1.打开专栏的列表页面，拉到url
例如：http://blog.csdn.net/column/details/wklken4linux.html
图示1：不带页码的（文章太少，就是所有文章列表都木有翻页），以下这个是lz的，o(╯□╰)o
图示2：带页码的 (文章很多，分页了，放心，随便哪页都行，整个系列全端下来)
2.复制url，修改脚本里line 68行，修改first_url变量
3.开始->运行->cmd
cd到脚本所在位置
有配置环境变量的，直接 python download_column.py
没有配置环境变量的，使用 C:\Python27\python.exe download_column.py 【这里路径是装环境时的】
4.过程图：
5.结果：
#version 0.1 基本功能
下载地址: http://www.kuaipan.cn/file/id_43019534898112640.html
#version 0.2 A.修复下载文章中存在非法字符bug B.独立函数，可以批量配置下载C.已下载不会二次下载
下载地址：http://www.kuaipan.cn/file/id_43019534898113708.html
配了一堆，下完了，甚是壮观.................
附上脚本源码：
#!/usr/bin/env python
#-*- coding:utf-8 -*-
#@Author: wklken
#@Mail: wklken@yeah.net
#@Date: 20120807
#@version 0.1
#@desc: base function to download csdn column!
print "begin...."
import urllib2,socket
import re
import os,sys
#该页最后一个中文链接，尾页
p2first = re.compile(ur'下一页</a> <a href="(.*?)">尾页</a>') #html?page=\d+
p2detail = re.compile(ur'<a name="\d+" href="(.*?)" target="_blank">(.*)</a>')
p2title = re.compile(ur'<title>专栏：(.*) - 博客频道 - CSDN.NET</title>')
p2titlereplace = re.compile(r'[\/:*?"<>|]')
def find_url_prefix_maxpage_title(content):
title = p2title.findall(content,re.X)
l = p2first.findall(content,re.X)
if l and len(l[0].split("=")) == 2: #存在多页
return True,l[0].split("="),title[0]
else:
return False,(None,None),title[0]
def get_request(url):
#设置超时
socket.setdefaulttimeout(60)
#可以加入请求头信息，以便识别
i_headers = {"User-Agent": "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.1) Gecko/20090624 Firefox/3.5",
"Accept": "text/plain"}
req = urllib2.Request(url, headers=i_headers)
content = ""
try:
page = urllib2.urlopen(req)
#print page.geturl()
#print page.info().getplist()
content = page.read().decode("utf-8")
except urllib2.HTTPError, e:
print "Error Code:", e.code
except urllib2.URLError, e:
print "Error Reason:", e.reason
return content
def gen_urls(url_prefix, max_page):
for i in range(1,max_page+1):
yield url_prefix + "=" + str(i)
def download_pages(url, dir_path):
content = get_request(url)
l = p2detail.findall(content,re.X)
#print l,len(l),l[0]
for (detail_url, title) in l:
print "Downloading: ",title,detail_url
title, num = p2titlereplace.subn("-",title)
path = dir_path + os.sep + title + ".html"
if not os.path.exists(path): #只下载新文章，不过老文章修改无法下到，要想全部更新，可以去掉if
f = open(path,"w")
f.write(get_request(detail_url).encode("utf-8"))
f.close()
def get_down(first_url):
content = get_request(first_url)
multi_page,(url_prefix, max_apge), title = find_url_prefix_maxpage_title(content)
print title
title, num = p2titlereplace.subn("-",title)
dir_path = "./"+title
if not os.path.exists(dir_path):
os.mkdir(dir_path)
if multi_page:
for url in gen_urls(url_prefix, int(max_apge)):
print url
download_pages("http://blog.csdn.net" + url, dir_path)
else:
download_pages(first_url, dir_path)
if __name__ == '__main__':
#first_url = "http://blog.csdn.net/column/details/novelnorains.html?page=4"
# first_url = "http://blog.csdn.net/column/details/wklken4ds-alg-py.html"
# get_down(first_url)
# sys.exit(0)
urls = [
"http://blog.csdn.net/column/details/wklken4ds-alg-py.html", #数据结构和算法python实现,未完
"http://blog.csdn.net/column/details/wklken4linux.html", #linux新手生存笔记，未完
]
for first_url in urls:
get_down(first_url)就这些
懒得动了，歇了
wklken
2012-08-07