第一个Python程序——博客自动访问脚本

动机

今天有朋友写信说他认为自己的wordpress博客内显示的访问统计信息不正常，希望我能为他制造一些访问信息，供他对比。朋友提出的请求是在短时间内快速打开100个不同的博客页面，以便他从产生的访问量变化中理解博客访问数据。
本人作为一个搞计算机的人，有把任何重复性劳动自动化的冲动，所以虽然点开100个网页的任务手工做并不复杂，但还是从一开始就彻底否定了。刚好想学Python很久了，于是就拿这次的小机会来学习一把，顺便记录下第一次的Python学习成果。
本文使用Python 2.7.3实现了一个自动访问博客的脚本，涉及以下技术点：
语言基础
容器（线性表、字典）
逻辑分支、循环
控制台格式化输出
HTTP客户端网络编程
处理HTTP请求
使用HTTP代理服务器
Python正则表达式
总览

自动访问博客页面这个操作实际上和网络爬虫做的事情差不多，基本流程如下：

图1 博客自动访问器工作原理
给访问器一个开始位置（例如博客首页URL）
访问器将URL指向的网页爬回（爬回网页这个操作本身相当于在浏览器中打开页面）
2中爬回的网页交给分析器分析。分析器分析后提取出其中的URL加入待访问URL列表，即URL库。然后从URL库中取出下一个要访问的页面URL
循环2、3步，直到达到某一终止条件程序退出
刚开始编程时，我们什么都没有，只有一个博客首页的URL。紧跟着这个URL需要解决的问题就是如何编程爬取URL指向的页面。爬取到了页面，才能算是访问了博客，也才能获得页面的内容，从而提取更多的URL，进行更进一步的爬取。
这样一来就带来了如何根据URL获取页面信息的问题，要解决这个问题，需要用到HTTP客户端编程，这也是接下来一节解决的问题。
urllib2：HTTP客户端编程

Python中可以实现HTTP客户端编程的库有好几个，例如httplib, urllib, urllib2等。使用urllib2是因为它功能强大，使用简单，并且可以很容易地使用HTTP代理。
使用urllib2创建一个HTTP连接并获取页面非常简单，只需要3步：
import urllib2
opener = urllib2.build_opener()
file = opener.open(url)
content = file.read()
content即为HTTP请求响应的报文体，即网页的HTML代码。如果需要设置代理，在调用build_opener()时传入一个参数即可：
opener =urllib2.build_opener(urllib2.ProxyHandler({‘http’: “localhost:8580”}))
ProxyHandler函数接受一个字典类型的参数，其中key为协议名称，value为host与端口号。也支持带验证的代理，更多细节见官方文档。
接下来要解决的问题就是从页面中分离出URL. 这就需要正则表达式。
正则表达式

正则表达式相关的函数位于Python的re模块中，使用前需import re
findall函数返回字符串中所有满足给定正则式的子串：
aelems = re.findall(‘‘, content)
findall的第一个参数是正则式，第二个参数是字符串，返回值是字符串数组，包含content中所有满足给定正则式的子串。上述代码返回所有以结尾的子串，即所有的标签。对网页HTML代码应用此过滤可获取所有超链接。如果需要进一步提高过滤的精确度，例如只需要链接指向本博客（假设当前博客是http://myblog.wordpress.com），且URL为绝对地址，则可以使用更精确的正则式，例如’‘.
获取到了标签，就需要进一步提取其中的URL，这里推荐match函数。match函数的作用是将满足指定正则式的子串的其中一部分返回。例如对于以下字符串（假设存于aelem元素中）：
RSS Feed
如果需要提取出其中的URL（即http://myblog.wordpress.com/rss），则可以如下的match调用：
matches = re.match(‘

0号元素为’

这里的正则式对应改变

matches = re.match(‘href=”(.*)”’, aelem)
当然，这种方法不能保证100%正确。最好的做法应该还是用HTML Parser. 这里懒得搞了。
提取出URL之后，就要将URL加入URL库。为了避免重复访问，需要对URL去重复，这就引出了下一节中字典的使用。
字典

字典，一种存储key-value对的关联容器，对应C++里的stl::hash_map，Java里的java.util.HashMap以及C#中的Dictionary. 由于key具有唯一性，因此字典可以用来去重。当然，也可以用set，很多set就是将map简单包装一下，例如java.util.HashSet和stl::hash_set.
要使用字典构建一个URL库，首先我们需要考虑一下URL库需要做什么：
URL去重：URL从HTML代码中抽取出来后，如果是已经加入URL库的URL，则不加入URL库
取新URL：从URL库中取一个还没访问过的URL进行下一次爬取
为了同时做到1、2，有以下两种直观的做法：
用一个url字典，其中URL作为key，是否已访问（True/False）作为value；
用两个字典，其中一个用来去重，另一个用来存放还没访问过的URL.
这里简单起见，用的是第2种方法：

起始URL

starturl = ‘http://myblog.wordpress.com/‘;

全部URL，用于URL去重

totalurl[starturl] = True

未访问URL，用于维护未访问URL列表

unusedurl[starturl] = True

中间省略若干代码

取下一个未用的URL

nexturl = unusedurl.keys()[0];

将该URL从unusedurl中删除

del unusedurl[nexturl]

获取页面内容

content = get_file_content(nexturl)

抽取页面中的URL

urllist = extract_url(content)

对于抽取出的每个URL

for url in urllist:

如果该URL不存在于totalurl中

ifnot totalurl.has_key(url):

那么它一定是不重复的，将其加入totalurl中

    totalurl[url] = True

并且加入为访问列表中

    unusedurl[url] = True

结束

最后贴上完整的代码：

import urllib2
import time
import re

totalurl = {}
unusedurl = {}

生成ProxyHandler对象

def get_proxy():
return urllib2.ProxyHandler({‘http’: “localhost:8580”})

生成指向代理的url_opener

def get_proxy_http_opener(proxy):
return urllib2.build_opener(proxy)

获取指定URL指向的网页，调用了前两个函数

def get_file_content(url):
opener = get_proxy_http_opener(get_proxy())
content = opener.open(url).read()
opener.close()

为方便正则匹配，将其中的换行符消掉

return content.replace(‘\r’, ”).replace(‘\n’, ”)

根据网页HTML代码抽取网页标题

def extract_title(content):
titleelem = re.findall(‘.*<\/title>’, content)[0]
return re.match(‘(.*)<\/title>’, titleelem).group(1).strip()

根据网页HTML代码抽取所有标签中的URL

def extract_url(content):
urllist = []
aelems = re.findall(‘’, content)
for aelem in aelems:
splits = aelem.split(”)
if len(splits) != 1:
aelem = splits[1]

print aelem

    matches = re.match('href="(.*)"', aelem)

if matches isnot None:
url = matches.group(1)
if re.match(‘http:\/\/myblog.wordpress.com.*’, url) isnot None:
urllist.append(url)
return urllist

获取字符串格式的时间

def get_localtime():
return time.strftime(“%H:%M:%S”, time.localtime())

主函数

def begin_access():

starturl = 'http://myblog.wordpress.com/';
totalurl[starturl] = True
unusedurl[starturl] = True

print’seq\ttime\ttitle\turl’

i = 0

while i < 150:

    nexturl = unusedurl.keys()[0];

del unusedurl[nexturl]
content = get_file_content(nexturl)

    title = extract_title(content)urllist = extract_url(content)

for url in urllist:
ifnot totalurl.has_key(url):
totalurl[url] = True
unusedurl[url] = True

print’%d\t%s\t%s\t%s’ %(i, get_localtime(), title, nexturl)

    i = i + 1time.sleep(2)

调用主函数

begin_access()

第一个Python程序——博客自动访问脚本相关推荐

火车头发布本地html,火车浏览器新浪博客自动调取本地文件发布脚本
摸索了快一个星期了!终于磕磕巴巴弄出来一个新浪博客的自动发布脚本,附件共享在底部. 由于刚刚摸索,所以目前暂时验证码还是需要手动填写,貌似这个需要一个第三方的支持,说白了就是收费哒!火车浏览器脚本编辑 ...
第一个python程序单位换算
第一个python程序 humansize.py ,这个脚本定义了一个单一的函数,这个approximate_size()函数把一个精确到字节的文件大小计算成一个有漂亮格式(大约计算的)的大小. 脚本 ...
python单位转换编程英寸厘米_第一个Python程序的单位转换,python,换算
第一个python程序 humansize.py ,这个脚本定义了一个单一的函数,这个approximate_size()函数把一个精确到字节的文件大小计算成一个有漂亮格式(大约计算的)的大小. 脚本 ...
这是我的第一个学Python的博客
这是我的第一个学Python的博客前言至于什么学,怎么学好我始终觉得先在路上比较重要,先开始在坚持,如果一直停留在自我满足的状态,迟早要被社会淘汰. 1.计算机的基本概念 1.1概念: " ...
anaconda怎么运行python程序_第一个python程序，从安装python环境到人生第一个py脚本运行全过程...
文章目录前言一.安装python运行环境 1.官网https://www.python.org下载安装包.exe 2.安装python二.python模块下载 1.配置pip环境变量 2.下载pyt ...
用Python编写博客导出工具
用Python编写博客导出工具罗朝辉 (http://kesalin.github.io/) CC 许可,转载请注明出处写在前面的话我在 github 上用 octopress 搭建了个人博客, ...
github博客自动同步到gitee（保姆级教程）
github博客自动同步到gitee(保姆级教程) 前言: 由于国内网访问github实在太慢!虽然在公司可以连接外网访问还算可以,但是回学校想看看博客或者分享给别人的时候经常会崩掉!于是我想可不可以 ...
怎么搭建一个自己的博客？
怎么搭建一个自己的博客? 总共几个步骤买一个服务器买一个域名服务器环境配置域名跟服务IP连接然后就可以直接访问了 1.买服务器 VPS 虚拟专用服务器,就是利用虚拟化技术(如KVM.Xen. ...
如何拥有一个完全免费的博客？
链接:https://www.zhihu.com/question/20688782/answer/66639460 作者:CODING 链接:https://www.zhihu.com/questi ...