Python网络爬虫实战笔记③如何下载韩寒博客文章

target：下载全部的文章

1. 博客列表页面规则

也就是，

http://blog.sina.com.cn/s/articlelist_1191258123_0_*.html

• 字符串的连接：
  
  
  
  但是字符串和整型变量不能连接在一起
  
  
  
  这个时候可以用str()函数
  
  

再回到题目上来， http://blog.sina.com.cn/s/articlelist_1191258123_0_*.html中的*得用page来替换

page=1
con=urllib.urlopen('http://blog.sina.com.cn/s/articlelist_1191258123_0_'+str(page)+'.html').read()

结合一下以前的代码，实现所有文章的下载

#coding:utf-8
import urllib
import time
url=['']*350
page=1
link=1
while page<=7:
   con=urllib.urlopen('http://blog.sina.com.cn/s/articlelist_1191258123_0_'+str(page)+'.html').read()
   i=0
   title=con.find(r'<a title')
   href=con.find(r'href=',title)
   html=con.find(r'.html',href)

   while title !=-1 and href !=-1 and html !=-1 and i < 350:
      url[i]=con[href+6:html+5]
      print link,' ',url[i]
      title=con.find(r'<a title',html)
      href=con.find(r'href=',title)
      html=con.find(r'.html',href)
      i=i+1
      link=link+1
   else: 
      print 'page',page,'find end'
   page=page+1
else:
   print 'all find end'

j=0
while j<350:
    content =urllib.urlopen(url[j]).read()
    open(r'hanhan/'+url[j][-26:],'w+').write(content)
    print 'downloading',url[j]
    j=j+1
    time.sleep(15)
else:
    print 'download article finished'

这样就能把全部的文章都下载下来～