meilin1030 发表于 2023-11-23 17:46:38

学习爬虫初期练习,保存鱼c论坛网页

仅适用于可访问的页面,且仅保存第一页,主要是练手,顺便保存一下速查资料
有需要的萌新小伙伴可以自行更改用户名密码及网址

from urllib.parse import urljoin
from pathlib import Path
import requests
from fake_useragent import UserAgent, errors
from bs4 import BeautifulSoup


# 获取
def get_info(session: requests.Session, url):
        response = session.get(url)
        return response


# 保存
def save_info(session: requests.Session, response: requests.get):
        soup = BeautifulSoup(response.content, 'lxml')
        p = Path('.')
        path_name = soup.find('title').text
        p.joinpath(path_name).mkdir(parents=True, exist_ok=True)

        # 图片保存
        img_info = soup.find_all('img')
        for img in img_info:
                try:
                        img_url = urljoin('https://fishc.com.cn/', img['src'])
                        img_response = session.get(img_url)
                        img_name = img['src'].split('/')[-1].split('?').strip()
                        img['src'] = f'./{path_name}'
                        with open(f'{path_name}/{img_name}', 'wb') as file:
                                print(f'正在保存图片->{img_name}')
                                file.write(img_response.content)
                except Exception as e:
                        print(f'图片保存错误: {e}')

        # css保存
        css_info = soup.find_all('link', {'rel': 'stylesheet'})
        for css in css_info:
                try:
                        css_url = urljoin('https://fishc.com.cn/', css['href'])
                        css_response = session.get(css_url)
                        css_name = css['href'].split('/')[-1].split('?').strip()
                        css['href'] = f'./{path_name}'
                        with open(f'{path_name}/{css_name}', 'wb') as file:
                                print(f'正在保存css->{css_name}')
                                file.write(css_response.content)
                except Exception as e:
                        print(f'css保存错误: {e}')
        # html保存
        with open(f'{p}/{path_name}.html', 'wb') as file:
                file.write(response.content)
                print(f'网页保存完毕')


if __name__ == '__main__':
        try:
                url = 'https://fishc.com.cn/thread-183975-1-1.html' #可替换url
                url_login = 'https://fishc.com.cn/member.php?mod=logging&action=login&loginsubmit=yes&infloat=yes&lssubmit=yes&inajax=1'
                session = requests.Session()
                header = {'User-Agent': UserAgent().random}
                session.headers = header
                login_info = {'username': 'yourname',
                              'password': 'yourpassword'}

                session.post(url_login, data=login_info)
                response = get_info(session, url)
                save_info(session, response)
        except errors.FakeUserAgentError as e:
                print(f'FakeUserAgentError: {e}')
        except requests.exceptions.RequestException as e:
                print(f'RequestException: {e}')

FishC_GPT 发表于 2023-11-23 17:47:58

你的代码看起来已经很不错了,可以实现保存鱼C论坛网页的功能。不过有一些地方需要修改:

1. 导入的模块错误,正确的模块名是`from fake_useragent import UserAgent, errors`,请注意大小写。
2. `response` 是一个 `requests.Response` 对象,而不是 `requests.get` 对象,因此在 `save_info` 函数中将其参数改为 `response: requests.Response`。
3. 在获取图片和 CSS 的 URL 时,不能直接使用 `urljoin` 函数,因为 `img` 和 `css` 是 BeautifulSoup 返回的 Tag 对象,需要使用 `.get('src')` 和 `.get('href')` 方法来获取其属性值。
4. 在保存图片和 CSS 时,要使用正确的文件名,可以使用 `os.path.basename` 函数来获取 URL 中的文件名部分。

这里是修改后的代码:

from urllib.parse import urljoin
import os
import requests
from fake_useragent import UserAgent, errors
from bs4 import BeautifulSoup


# 获取
def get_info(session: requests.Session, url):
    response = session.get(url)
    return response


# 保存
def save_info(session: requests.Session, response: requests.Response):
    soup = BeautifulSoup(response.content, 'lxml')
    title = soup.find('title').text
    path_name = title.strip()
    os.makedirs(path_name, exist_ok=True)

    # 图片保存
    img_info = soup.find_all('img')
    for img in img_info:
      try:
            img_url = urljoin(response.url, img.get('src'))
            img_response = session.get(img_url)
            img_name = os.path.basename(img_url)
            with open(f'{path_name}/{img_name}', 'wb') as file:
                print(f'正在保存图片->{img_name}')
                file.write(img_response.content)
      except Exception as e:
            print(f'图片保存错误: {e}')

    # css保存
    css_info = soup.find_all('link', {'rel': 'stylesheet'})
    for css in css_info:
      try:
            css_url = urljoin(response.url, css.get('href'))
            css_response = session.get(css_url)
            css_name = os.path.basename(css_url)
            with open(f'{path_name}/{css_name}', 'wb') as file:
                print(f'正在保存css->{css_name}')
                file.write(css_response.content)
      except Exception as e:
            print(f'css保存错误: {e}')
    # html保存
    with open(f'{path_name}.html', 'wb') as file:
      file.write(response.content)
      print(f'网页保存完毕')


if __name__ == '__main__':
    try:
      url = 'https://fishc.com.cn/thread-183975-1-1.html'
      url_login = 'https://fishc.com.cn/member.php?mod=logging&action=login&loginsubmit=yes&infloat=yes&lssubmit=yes&inajax=1'
      session = requests.Session()
      header = {'User-Agent': UserAgent().random}
      session.headers = header
      login_info = {'username': 'yourname',
                      'password': 'yourpassword'}

      session.post(url_login, data=login_info)
      response = get_info(session, url)
      save_info(session, response)
    except errors.FakeUserAgentError as e:
      print(f'FakeUserAgentError: {e}')
    except requests.exceptions.RequestException as e:
      print(f'RequestException: {e}')
以上代码进行了修改,你可以根据自己的需要进一步调整和扩展。希望能对你有所帮助!
以上回复来自 -- ChatGPT(FishC官方接口),如未能正确解答您的问题,请继续追问。
页: [1]
查看完整版本: 学习爬虫初期练习,保存鱼c论坛网页