python爬虫:将本人博客园文章转化为MarkDown格式
python爬虫:将本人博客园文章转化为MarkDown格式
本周又和大家见面了，首先说一下两周之后要进行研究生的期末考试，所以这次可能是考试之前的最后一更，我要忙着复习了，还请大家见谅，一般情况下我都是每周更新一篇技术原创。
好了，废话不多说，咱们进入今天的主题。由于我在简书也有自己的基地，所以每次在博客园文章更新完，还要在简书进行更新。由于简书文章的编辑格式是MarkDown，所以前几次更新修改格式都是非常麻烦，浪费时间，尤其是有了图片之后。于是，为了不让自己的时间浪费在这么无聊的事情上，我就用学到的爬虫知识，对我写的文章进行格式的转化(当然我只是按照我文章的格式进行解析的，不具有通用性，之后可以完善通用性)。
咱们就按照我写的上面文章Scrapy爬取美女图片第四集 突破反爬虫(上)为例，进行格式的转化。
来到这个界面:
你会发现文章中主要包含这几种特殊对象: 段落文本(有颜色和无颜色之分),图片(主要是提取图片链接)，代码框中的代码。所以咱们需要对这几种对象进行分别提取和转化。
老规矩，打开firebug,输入链接，这次不仅需要观察HTML结构，还要观察网络这个选项，捕获这个get请求，会发现很大的不同。
同样是表现的代码内容，发现网络请求返回的标签和最后生成的标签是不一样的。这就是通过javascript动态修改html。那咱们该以什么为准呢？当然是以网络请求的格式为准，因为在实际的网络访问中就是获取的这个内容。
通过上面的可以看到代码都是由pre标签进行包裹，其他内容都是由p标签进行包裹。所以为了统一格式，先将获取到的pre标签换成p标签,并添加code属性进行区分。当然用到的还是bs4这个神器。直接看一下代码:
soup = BeautifulSoup(response)#,'html.parser',from_encoding='utf-8'
pres = soup.findAll('pre')
for pre in pres:
pre.name ='p'
pre['code']='yes'
首先提取其中图片的链接,并按照标签的顺序添加到list中存储:
ps = soup.findAll('p')
for p in ps:
img = p.img
if img !=None:
self.content={'tag':'img','content':img['src']}
self.papers.append(self.content)
接着提取code的代码内容，并按照标签的顺序添加到list中存储:
if p.get('code')=='yes':
self.content={'tag':'code','content':p.text.replace(' :','').strip()}
self.papers.append(self.content)
然后将正常段落中的颜色部分进行标注，我习惯是将加颜色的文字，最后转化为加粗形式。从格式中看到，加颜色的字体使用span标签进行包裹的。
咱们将标签进行替换和标注，以便后续处理。
elif p.span != None:
spans = p.findAll('span')#找到所有的span标签
for span in spans:
# print span.text
if span.get('style').find('color')!=-1:
# del span['style']
# span.name='color'
if span.string!=None:
span.string = 'c_start'+span.string+'c_end' #对有颜色的文本进行标注
有时候会发现，文本中有链接，咱们还要把链接进行按次序提取。
links =p.findAll('a')
for link in links:
if link.string!=None:
link.string = '['+link.string+']'+'('+link.string+')'
self.content={'tag':'text','content':p.text.replace(' :','').strip()} self.papers.append(self.content)
经过这几个步骤就将所有要提取的内容都分离出来了，接下来进行转化为markdown格式。
#coding:utf-8
class Convert(object):
@classmethod
def convert(self,papers):
str = ''
with open('D:\markdown.txt','w') as file_writer:
for p in papers:
if p['tag']=='text':
str = p['content'].replace('c_start','**').replace('c_end','**') #这个是替换颜色,使用加粗
pass
elif p['tag']=='code':
str = '```'+'\r\n'+p['content']+'\r\n'+'```' #这个是代码框的添加
else:
##这个是图片链接的转化
str = ''%(p['content'])
str = '\r\n'+str+'\r\n'
file_writer.write(str.encode('utf-8'))
file_writer.write('\r\n'.encode('utf-8'))
file_writer.close()
最后咱们看一下效果，将生成的markdown文本复制到简书上去，是否显示正确。这个就是最后简书文章链接:http://www.jianshu.com/p/9159111bcd87。效果还是不错的，可能需要一些微调，以前整理格式要花10几分钟，不超过两分钟就搞定
