def checkEnd(self,url,flag):
soup = makeBS().makesoup(url)
m_page = soup.find("div",attrs={"class","m_page"})
# print(m_page)
nextFlag = False
if m_page!=None:
for a in m_page.find_all("a"): #一个找全部闹出来那么久的东西
# print(type(a))
# print(a.text)
if a.text.find("下一页")==0:
nextFlag=True
break
# return True #有就返回这个
return nextFlag #有下一页就继续遍历
def getOnePageUrl(self,url): #找到有下一页按钮那就直接数字加起来就可以了，先点第一页的下一页
soup = makeBS().makesoup(url) #统一使用了一样的
dictt =[]
# button = soup.find("div",attrs={"class":"m_page"})
if soup==None:
return dictt
li = soup.find_all("li")
print(url)
for i in li:
if (i.h4!=None):
title = i.a.text
url = i.a['href']
dictt.append(url)
print(title,url) #这儿只写入url和fromWhere就可以了
print("找完一页的url")
return dictt #返回找到的url的列表在这里面给v你你
def getAwriteCommentJson(self,id,url): #这个是评论专用的请求返回成字典的。
time.sleep(1)
cooker = makeBS()
commentRawUrl = "http://coral.qq.com/article/"
cmt_id = cooker.getCmt_id(url) #去掉空格
if cmt_id==None:
return
if cmt_id.find("'")!=-1:
cmt_id = cmt_id.replace("'","")
else :
cmt_id = cmt_id.strip()
# print( cmt_id.strip() )
#这个用来拼接用到。
try:
allUrl = commentRawUrl + str(cmt_id) + "/comment/#"
print(allUrl)
responseDic = cooker.makeBSjson(allUrl)
# if
# print()
print(responseDic)
commentList = responseDic['data']['commentid']
print(commentList)
from pprint import pprint
for comment in commentList:
pprint(type(comment['id']))
print(comment['id'])
comment['content'] = emoji.demojize(comment['content']) #过滤emoji
comment['userinfo']['nick'] = emoji.demojize(comment['userinfo']['nick'])
comment['time']=self.changTimeToDate(comment['time']) #时间戳改成日期字符串
print("新闻id "+ str(id))
print("新闻的url是 "+ url)
self.dbHelper.classifyDBComment(url=url,id=id,comment=comment) #插入数据库。
print("")
#-----------------------这儿可以合成sql语句的话就可以执行插入的操作了。-----------------------
# 通过url来合成插入的sql语句，DBcontrol的方法中来做这些东西
except Exception as e:
print("提取此条评论出错，正在跳过")
print(e)
def getPlContent(self, url): #打开pl.ifenghxxx的东西
title, Hcontent, Tcontent, Acontent = "", "", "", ""
t = time.time()
timeStamp = str(int(round(t * 1000))) # 毫秒级时间戳
time.sleep(1)
print("现在网页是：" + url)
downloadTool = Download(r'/home/default/images') # 设置下载路径
dbhelper = DB()
title, Hcontent, Tcontent, Acontent = "", "", "", ""
simpleP = []
soup = None
soup = makeBS().makesoup(url)
if soup != None:
title = soup.find("head")
else:
return title, Hcontent, Tcontent, Acontent
# print(title)
# print("标题是")
if title != None: # 如果找到的话
title = title.text.split("_")[0]
# title=self.fixCssdot(title)
# print(title)
else:
print("没能找到标题，请检查网址 " + url)
# print(soup)
# print()
return title, Hcontent, Tcontent, Acontent # 不行就返回空的回去
flag = False #遇到之前先不写入
pList = []
simplePList = [] #这个是
for p in soup.find_all("p"):
# print(type(p))
# print(p)
try:
# print(p['class'])
if p['class'][0] == "f14":
# print(p)
pList.append(p)
flag = True
if p['class'][0] == "IphoneNone":
# print(p['class'])
flag = False #结束跳出
except Exception as e:
if flag:
# print("正在添加")
pList.append(p)
else:
# print("停止添加这一条")
break
print(len(pList)) #这个最后一个句子是尾句，
Plen = len(pList)
if (len(pList) == 1):
#一个句子的话，首段和尾端都统一起来好了
print("这个文章只有一个句子 " + url)
return title, pList[0], pList[0], pList[0] #这样的话，就不插入
for p in pList:
# print(p)
if p.text != "":
pHtml = "<p>" + p.text + "</p>"
if pList.index(p) == 0: # 如果发现索引值是第一个的话，那就是开头了
Hcontent = pHtml
Acontent = Acontent + pHtml
# print("find the header p")
# print(phtml)
elif pList.index(p) == len(pList) - 1: # 同理如果是最后一个句子，那么你就是结尾了
Acontent = Acontent + pHtml
Tcontent = pHtml
else: # 不是首段和尾端的端口才加入到零散的段落中去
Acontent = Acontent + pHtml
simplePList.append(pHtml)
else: #可能是有图片的这个东西，如果有图片那就这百年这样操作
if p.find("img") != None:
print("发现图片的段落")
for img in p.find_all("img"): #修改图片路径和下载图片这两个操作
#修改里面的图片的地址的东西，然后还有别的什么的
imgSrc = img['src']
now = time.strftime('%Y%m%d',
time.localtime(time.time()))
now_date = now + "/" # 后面下载的文件名是不需要带杠的，后面就不需要带杠杠
imgName = self.stripImgUrl(imgSrc)
print(imgName)
imgName = now_date + self.stripImgUrl(
imgName) # 这儿已经是添加了时间的 了
# print("文件名是" + imgName) # 这儿下载这个图片到服务器指定的地址上 # 这儿下载这个图片到服务器指定的地址上
downloadTool.downloadImg(imgSrc,
imgName=imgName,
referer=None,
now_date=now)
imgPScr = "/images/" + imgName + ".jpg" # 这个html格式图片地址
HtmlImg = '<p><img src="' + imgPScr + '"/></p>'
if pList.index(p) == 0: # 如果发现索引值是第一个的话，那就是开头了
Hcontent = HtmlImg
Acontent = Acontent + HtmlImg
elif pList.index(
p) == len(pList) - 1: # 同理如果是最后一个句子，那么你就是结尾了
Acontent = Acontent + HtmlImg
Tcontent = HtmlImg
else: # 不是首段和尾端的端口才加入到零散的段落中去
Acontent = Acontent + HtmlImg
simplePList.append(HtmlImg)
# print("开头结尾是这个")
# print(Hcontent)
# print(Tcontent)
# print("各个分句子在这儿")
for simpleP in simplePList: #这儿直接写入进去就可以了
dbhelper.insertSimpleP(simpleP) # 这儿这个是一样的
# print(simpleP)
return title, Hcontent, Tcontent, Acontent
def getPageContent(self,
url): #输入一个url获得这个页面的本地化后的文章 ,其实分这个应该是不需要那么麻烦的把，，，，
t = time.time()
timeStamp = str(int(round(t * 1000))) # 毫秒级时间戳
time.sleep(1)
downhelp = Download(r'/home/default/images') #设置下载路径
dbhelper = DB()
title, Hcontent, Tcontent, Acontent = "", "", "", ""
simpleP = []
soup = None
try:
soup = makeBS().makesoup(url)
# print(soup)
title = soup.find("head").title
# print(chardet.detect(title.text)) 测不准的这个东西
# print(title)
if title != None:
title = title.text
print("标题是" + str(title))
main_content = soup.find("div", attrs={"id": "main_content"})
flag = 1
if (main_content != None):
allPP = main_content.find_all("p")
for p in range(0, len(allPP)):
# print()
# print(allPP[p])
# print(p)
if allPP[p].find_all("a") != None:
# print("找到了有链接的东西")
# print(allPP[p])
allPP[p].a.extract()
# print(allPP[p])
localImgList = allPP[p].find_all(
"img", attrs={"src": True}) # 每个p标签内的img提取和修改链接本地化
if (localImgList != None): # 找到有的话就遍历，并且本地化还有修改src的东西
for img in localImgList:
if img != None:
# print("发现图片")
# print(img)
# print(img['src'])
if (img['src'].find("//") == 0
): # 什么都没有，协议路径改成https
imgSrc = "https:" + img['src']
# print(imgSrc)
now = time.strftime(
'%Y%m%d', time.localtime(time.time()))
now_date = now + "/" # 后面下载的文件名是不需要带杠的，后面就不需要带杠杠
imgName = now_date + self.stripImgUrl(
imgSrc)
# print("文件名是" + imgName)
# print(imgName)
downhelp.downloadImg(
imgSrc,
imgName=imgName,
referer=None,
now_date=now) # 下载这个是没问题的
img['src'] = "/images/" + imgName + ".jpg" #修改完后的img
# print(img['src'])
simpleP.append(allPP[p])
Acontent += str(allPP[p])
# Acontent += str(allcontent[i])
elif (img['src'].find("https:") == 0
): # 本来就有找到有https协议
imgSrc = img['src']
# print(imgSrc)
now = time.strftime(
'%Y%m%d', time.localtime(time.time()))
now_date = now + "/" # 后面下载的文件名是不需要带杠的，后面就不需要带杠杠
imgName = now_date + self.stripImgUrl(
imgSrc)
downhelp.downloadImg(imgSrc,
imgName=imgName,
referer=None,
now_date=now)
img['src'] = "/images/" + imgName + ".jpg"
# print(img['src'])
simpleP.append(allPP[p])
Acontent += str(allPP[p])
else: # 那这个就是http协议了
imgSrc = img['src']
# print(imgName)
now = time.strftime(
'%Y%m%d', time.localtime(time.time()))
now_date = now + "/" # 后面下载的文件名是不需要带杠的，后面就不需要带杠杠
imgName = now_date + self.stripImgUrl(
imgSrc)
downhelp.downloadImg(imgSrc,
imgName=imgName,
referer=None,
now_date=now)
img['src'] = "/images/" + imgName + ".jpg"
# print(img['src'])
simpleP.append(allPP[p])
Acontent += str(allPP[p])
if (p == 0): #这儿是判断是首段还是尾段
Hcontent = allPP[p] #这个是找标题的,这个是修改后的了
elif (p == len(allPP) - 1):
print("找到尾段了拉")
Tcontent = allPP[p]
# for p in simpleP:
# dbhelper.insertSimpleP(p) #这儿这个是一样的 todo 记得改回来这儿的地方
return title, Hcontent, Tcontent, Acontent
else:
title = "凤凰没有找到标题"
return title, Hcontent, Tcontent, Acontent
except Exception as e:
print(e)
print("现在网页是：" + url)
return title, Hcontent, Tcontent, Acontent
def getNewsContent(
self,
url): # 打开news.ifenghxxx的东西，只要打开文章后，然后解析出 首段，尾段，还有中间的普通段落就可以了
title, Hcontent, Tcontent, Acontent = "", "", "", ""
t = time.time()
timeStamp = str(int(round(t * 1000))) # 毫秒级时间戳
time.sleep(1)
print("现在网页是：" + url)
downloadTool = Download(r'/home/default/images') # 设置下载路径
dbhelper = DB()
title, Hcontent, Tcontent, Acontent = "", "", "", ""
simpleP = []
soup = makeBS().makesoup(url)
if soup == None:
return title, Hcontent, Tcontent, Acontent
try:
title = soup.find("head").title
if dbhelper.ifExists(title): #如果找到已经存在那就不用再写的拉
return title, Hcontent, Tcontent, Acontent #存在的话，就不用再解析和下载图片了
except Exception as e:
#一般提示没找到都是
return title, Hcontent, Tcontent, Acontent #也当成没有处理掉就可以了
# print(title)
# print("标题是")
if title != None: # 如果找到的话
title = title.text.split("_")[0]
# title=self.fixCssdot(title)
# print(title)
else:
print("没能找到标题，请检查网址 " + url)
# print(soup)
return title, Hcontent, Tcontent, Acontent # 不行就返回空的回去
flag = False # 遇到之前先不写入
pList = []
simplePList = [] # 这个是
for p in soup.find_all(
"p"
): #找到p就输出来就可以了 你好啊，大哥，我是你的第一个机械硬盘，感觉还行哈，灯光效果怎么样，不怎么会 # print(p.text)
try:
if p['class'][0] == "p_time":
flag = True
continue #跳过这个的下面的，继续走
if p['class'][0] == "detailPic":
#这儿找到后就下载图片，并且，修改src然后写入进去，就是那个模块了， todo 有空变成模块
imgSrc = p.img['src']
imgName = imgSrc.replace("https://inews.gtimg.com/",
"").replace("/", "_")
now = time.strftime('%Y%m%d', time.localtime(time.time()))
now_date = now + "/" # 后面下载的文件名是不需要带杠的，后面就不需要带杠杠
imgName = now_date + self.stripImgUrl(
imgName) # 这儿已经是添加了时间的 了
# print("文件名是" + imgName) # 这儿下载这个图片到服务器指定的地址上 # 这儿下载这个图片到服务器指定的地址上
downloadTool.downloadImg(imgSrc,
imgName=imgName,
referer=None,
now_date=now)
# now_date = now + "/" # 后面下载的文件名是不需要带杠的，后面就不需要带杠杠
# imgName = now_date + self.stripImgUrl(imgName) #已经处理好了
imgPScr = "/images/" + imgName + ".jpg" # 这个html格式图片地址
#传进来是img的url下载并且修改后当成普通的段落进行处理
pList.append('<img src=' + imgPScr + '/>') # 统一起来把，后面会有加东西
# print("<p><img src='"+p.img['src']+"'/></p>")
if p.text == "用微信扫描二维码分享至好友和朋友圈":
flag = False #找到了这个就是到结尾了
pass
except Exception as e:
pass
if flag:
# print("正在添加")
pList.append(p)
else:
# print("停止添加这一条")
break
# print(len(pList)) # 这个最后一个句子是尾句，
Plen = len(pList)
if (len(pList) == 1):
# 一个句子的话，首段和尾端都统一起来好了
print("这个文章只有一个句子 " + url)
return title, pList[0], pList[0], pList[0] # 这样的话，就不插入
PPlist = []
continueFlag = False
for pOne in pList:
try:
p = pOne.text
except Exception: #那就是图片的那个了，我知道是什么来的
p = pOne
# print(pOne)
if (p != ""):
# print(p.strip("\n"))
if p.strip(
"\n"
) == "用微信扫描二维码分享至好友和朋友圈" and continueFlag == False: #有些有有些没有的
# print("找到第一个这个东西")
# continue
continueFlag = True
elif p.strip(
"\n"
) == "用微信扫描二维码分享至好友和朋友圈" and continueFlag == True: #有些有有些没有的
# print("这儿是结束的地方")
continueFlag = "break"
if continueFlag == True:
if (p != "用微信扫描二维码分享至好友和朋友圈"):
p = "<p>" + p + "</p>"
#这儿是把"'" 这个东西替换成'"' 这个东西
# if p.find("'")!=-1:
# print("找到了这个东西")
PPlist.append(p)
if continueFlag == 'break':
break
else:
pass #图片都会在前面进行处理才对的
#检查一下是不是图片的
# print("文字卫空空那")
# if pOne.find("img")!=None: #因为图片是处理过的了，那么就直接加入进去就可以了
# print(p)
# print(PPlist)
if (len(PPlist)) == 1 and len(PPlist) == 2: #还有2都是这种情况
Hcontent = PPlist[0]
Tcontent = PPlist[0]
Acontent = PPlist[0]
if (len(PPlist)) > 2:
Hcontent = PPlist[0]
Tcontent = PPlist[-1]
for i in PPlist:
Acontent = Acontent + i
# print(i) # 你好啊
# Acontent = PPlist
# print("普通的段落有")
simplePList = PPlist[1:-1]
# print(p)
# print("开头结尾是这个")
# print(Hcontent)
# print(Tcontent)
# print("各个分句子在这儿")
for simpleP in simplePList: # 这儿直接写入进去就可以了
dbhelper.insertSimpleP(simpleP) # 这儿这个是一样的
# print(simpleP)
return title, Hcontent, Tcontent, Acontent
def tengxunGundong(self):
url = 'http://news.qq.com/articleList/rolls/'
cooker = makeBS()
soup = cooker.makesoup(url, "computer")
print(soup)
def getWxContent(self,wxUrl):# 先提取出里面的那个，然后再看看什么情况 ----这个是主要解析的函数
time.sleep(1)
title, Hcontent, Tcontent, Acontent = "", "", "", "" # 最后一个参数好像没什么用
downloadTool = Download(r'/home/default/images') # 设置下载路径
simplePList = []
Cooker = makeBS()
BS = Cooker.makesoup(wxUrl) #传进来是微信的才可以一
# print(BS)
if BS==None:
return title, Hcontent, Tcontent, Acontent
# print(BS)
try:
title = BS.find("head").title #直接选用head这儿的title标签里面的东西
except Exception as e:
print(e)
traceback.print_exc() # 貌似这个，一个错，各个错。
return title, Hcontent, Tcontent, Acontent
# print("输出title")
#todo 这儿插入一个检查一下标题是否存在的东西的
# print(title.text) #todo 改变成手机的ua，让服务器发来手机端页面来给我, 我怀疑现在ua打开的还是电脑版本的
if(title!=None and title.text!="404 - 腾讯网"):
title=title.text
if self.dbhelper.ifExists(title): #如果标题为空那就直接删除这条了。 ，所以就是因为已经存在，所以后面都不进行读取了对吧
print("已经存在了这个")
#这儿也是返回空值的。
return title,Hcontent,Tcontent,Acontent #存在的话，就不用再解析和下载图片了 ,如果只有标题没有别的，很可能是这个新闻标题已经存在
else:
print("此新闻可能已经被删除，提取失败")
return title,Hcontent,Tcontent,Acontent
dicString = ""
'''
测试区域
'''
print(BS)
for script in BS.find_all("script", attrs={"async": False}): # 这边应该找内容不为空的
if script.text!=None and script.text!="":
print(script.text)
dicString = script.text
break
# dicString = BS.find("script", attrs={"async": False}).text #这边应该找内容不为空的
# print(dicString)
print(dicString)
dic = dicString.replace("var globalConfig =", "").replace(";", "")
# print(dic)
tempDic = dic
print("解析的文章的部分-》") # 这边已经是空的了//todo 把腾讯的这个分析的东西再搞一下，应该还是解析页面里面除到问题就是这个文件里面的。
print(tempDic)
if dic.find("contents: ") != -1:
datalist = dic.split("contents: ")[1].split("ext_data")[0].replace("[", "").replace("],", "")
# print("这边开始这样")
#这个是新加的。
print(datalist)
try:
dic = eval("(" + datalist + ")") #因为加了这个才能转化成那样,这个应该也是没问题才对。
# print(dic)
except Exception as e:
print("转化成json出错")
print(e)
traceback.print_exc() # 貌似这个，一个错，各个错。
return title,Hcontent,Tcontent,Acontent #存在的话，就不用再解析和下载图片了
#return #返回空内容给他们咯，自动舍弃这个东西，然后那边要处理了一下，空内容的情况，这个不对啊。
checkLen = len(dic)
pprint.pprint(dic)
print(checkLen) #这儿需要考虑只有一个句子的情况，这个情况下是长度为2，这个情况下不是列表了，只是一个字典
if(checkLen>2):
for p in dic: #遍历每一个，然后尽心判断应该也是没问题才对的。
try: #traceback.print_exc()
if p['type'] == 1: # 这个是一个句子，那就直接插进去就可以了
# 当成句子插入
pContent = p['value']
phtml='<p>'+pContent+"</p>"
Acontent =Acontent+phtml
if dic.index(p)==0: #如果发现索引值是第一个的话，那就是开头了
Hcontent= phtml
# print("find the header p")
# print(phtml)
elif dic.index(p)==checkLen-1 : #同理如果是最后一个句子，那么你就是结尾了
Tcontent = phtml
else: # 不是首段和尾端的端口才加入到零散的段落中去
simplePList.append(phtml)
# print(phtml)
if p['type'] == 2:
imgSrc = p['value'].replace("\/", "/") #图片的真实下载地址
# print(imgSrc)
imgName = imgSrc.replace("https://inews.gtimg.com/", "").replace("/", "_")
now = time.strftime('%Y%m%d', time.localtime(time.time()))
now_date = now + "/" # 后面下载的文件名是不需要带杠的，后面就不需要带杠杠
imgName = now_date + self.stripImgUrl(imgName) #这儿已经是添加了时间的 了
# print("文件名是" + imgName) # 这儿下载这个图片到服务器指定的地址上 # 这儿下载这个图片到服务器指定的地址上
downloadTool.downloadImg(imgSrc, imgName=imgName, referer=None, now_date=now)
# now_date = now + "/" # 后面下载的文件名是不需要带杠的，后面就不需要带杠杠
# imgName = now_date + self.stripImgUrl(imgName) #已经处理好了
imgPScr = "/images/" + imgName + ".jpg" # 这个html格式图片地址
HtmlImg = '<p><img src="'+imgPScr+'"/></p>'
# print(imgPScr)
Acontent = Acontent + HtmlImg
# print("这个是图片了 "+HtmlImg)
if dic.index(p)==0: #如果发现索引值是第一个的话，那就是开头了
# print("find the header p")
# print(HtmlImg)
Hcontent= HtmlImg
elif dic.index(p)==checkLen-1 : #如果是最后一个句子，那么你就是结尾了
Tcontent = HtmlImg
else: # 不是首段和尾端的端口才加入到零散的段落中去
simplePList.append(HtmlImg)
if p['type'] == 3: # 这个是视频的情况，直接提取出来当成句子好了，这儿还有图片的，先不管了
try:
pContent = p['value']['desc']
pContent = "<p>"+ pContent+"</p>"
# 解析视频
vid = self.findVideo(tempDic)
rawVideoString = ""
if vid != None:
rawVideoString = '<p><iframe frameborder="0" src="https://v.qq.com/txp/iframe/player.html?vid=' + vid + '" allowFullScreen="true"></iframe></p>'
if dic.index(p) == 0: # 如果发现索引值是第一个的话，那就是开头了
# print("find the header p")
# print(pContent)
Hcontent = pContent+rawVideoString
elif dic.index(p) == checkLen - 1: # 如果是最后一个句子，那么你就是结尾了
Tcontent =pContent+rawVideoString
else: #不是首段和尾端的端口才加入到零散的段落中去
simplePList.append(pContent)
except Exception as e:
pass #舍弃这个段落
except Exception as e:
print(e)
traceback.print_exc() #貌似这个，一个错，各个错。
#插入数据库先
# for p in simplePList:
# self.dbhelper.insertSimpleP(p) #插入段落，但是没有更新标题还有那些东西
Tcontent = "".join(BeautifulSoup(Acontent, 'lxml').text)
return title, Hcontent, Tcontent, Acontent
else : #这儿是只有一个句子的网页的情况下 ，这边的一个大段落的，首段尾段的拆分是没问题的
p= dic #这样转换一下就可以了
# print(type(dic))
# print(dic)
# print(p)
if type(p)==tuple:
print("是tuple")
try:
# print("长度是")
# print(len(p))
if(len(p)==1): #又加了一种，怕不够长的处理
p=p[0] # 如果是里面只有一个的话，那就提取出里面的一个元素就可以了，
if(len(p)==2):
p=p[1] # 如果是里面只有一个的话，那就提取出里面的一个元素就可以了，
else: #长度为空，里面除了标题，连文字内容都没有的这种。。。
p={'type':3} #开头结尾都是自己了，标题就也当成是这个来处理了
except Exception as e:
print(e) #https://xw.qq.com/a/house/20180928003713 对付这个网页的情况
title,Hcontent,Tcontent,Acontent="","","","" #这样就可以拉
return title, Hcontent, Tcontent, Acontent#直接不要这个url的内容了
# print(p)
if p['type'] == 1: # 这个是一个句子，那就直接插进去就可以了
# 当成句子插入
pContent = p['value'] #提取出句子来作为首段尾端还有 中间的段落
# print("长度有")
# print(pContent.split("。"))
# print(len(pContent.split("。")))
try:
Tcontent = "<p>"+pContent.split("。")[-2] +"</p>" #最后一句作为 结尾的句子，句号前面那个才是
except Exception as e:
Tcontent="<p>"+pContent.split("。")[0] +"</p>" #无法分的话，比如一句话，那就头尾都一样把
Hcontent = "<p>"+pContent.split("。")[0] +"</p>" #这儿是开头的第一句的句子 ,
simplePList.append(pContent) #整个把，没办法了饿
phtml = '<p>' + pContent + "</p>"
Acontent = Acontent + phtml
# print(phtml)
if p['type'] == 2:
imgSrc = p['value'].replace("\/", "/") # 图片的真实下载地址
# print(imgSrc)
imgName = imgSrc.replace("https://inews.gtimg.com/", "").replace("/", "_")
now = time.strftime('%Y%m%d', time.localtime(time.time()))
now_date = now + "/" # 后面下载的文件名是不需要带杠的，后面就不需要带杠杠
imgName = now_date + self.stripImgUrl(imgName)
# print("文件名是" + imgName) # 这儿下载这个图片到服务器指定的地址上 # 这儿下载这个图片到服务器指定的地址上
downloadTool.downloadImg(imgSrc, imgName=imgName, referer=None, now_date=now)
# now_date = now + "/" # 后面下载的文件名是不需要带杠的，后面就不需要带杠杠
# imgName = now_date + self.stripImgUrl(imgName)
imgPScr = "/images/" + imgName + ".jpg" # 这个html格式图片地址
# print(imgPScr)
HtmlImg = '<p><img src="' + imgPScr + '"/></p>'
Acontent = Acontent + HtmlImg
# print("这个是图片了 " + HtmlImg)
if p['type'] == 3 : #只有一个视频的时候，解析视频
pContent = title
# print(pContent)
#解析视频
vid = self.findVideo(tempDic)
rawVideoString =""
if vid!=None:
rawVideoString='<p><iframe frameborder="0" src="https://v.qq.com/txp/iframe/player.html?vid='+vid+'" allowFullScreen="true"></iframe></p>'
#只有一个句子的东西是没有这个索引值的
# if dic.index(p) == 0: # 这种情况就是只有一个视频的网页，标题就是唯一的开头了，那结尾呢，已经不能分了把，视频又没找到
# print("find the header p")
# print(pContent)
Hcontent = pContent #头是描述
Tcontent = rawVideoString #尾是视频作为一个独立的一个段落
#插入数据库先
for p in simplePList:
self.dbhelper.insertSimpleP(p) #插入段落，但是没有更新标题还有那些东西
Tcontent = "".join(BeautifulSoup(Acontent, 'lxml').text)
return title, Hcontent, Tcontent, Acontent #返回了后就可以写入数据库了把
def getWxContentNew(self,url):
wxUrl = self.changeNewToWx(url)
Cooker = makeBS()
title, Hcontent, Tcontent, Acontent = "", "", "", "" # 最后一个参数好像没什么用
downloadTool = Download(r'/home/default/images') # 设置下载路径
BS = Cooker.makesoup(wxUrl) #传进来是微信的才可以一
import time import traceback from DBcontrol import DB from downloadPic import Download #这些就是导入的类啊 from makebeautifulSoup import makeBS from bs4 import BeautifulSoup from pprint import pprint Cooker = makeBS() commentRawUrl = "http://coral.qq.com/" # id附在上面就可以读取出来的了。 cmt_id = 2326922651 # response = requests.get(commentRawUrl+str(cmt_id)) BS = Cooker.makesoup(commentRawUrl + str(cmt_id)) # 传进来是微信的才可以一 pprint(BS) "http://coral.qq.com/article/2326922651/comment/#" #把id塞到这个链接可以返回50条评论。json格式。
def getNewsContent(self, url): #解析图片类的,可以都放到类构造函数中去的
title, Hcontent, Tcontent, Acontent = "", "", "", "" #初始化一下
allP = [] # 这个是装所有的段落
simplePList = [] # 中间的段落
downloadTool = Download(r'/home/default/images') # 设置下载路径
cooker = makeBS()
soup = cooker.makesoup(url) #soup 可能已经是空的了
if soup == None:
print("出现空的url ", url)
return title, Hcontent, Tcontent, Acontent
try:
title = soup.find("head") # 这个其实是head，是头部。
# print(title)
# time.sleep(60)
except Exception as e:
print(e)
traceback.print_exc() #这句用来告诉自己这儿需要跳出
# print(title)
# print("标题是")
if title != None: # 如果找到的话
title = title.text.split("_")[0]
print(title)
# time.sleep(60)
# title=self.fixCssdot(title)
if self.dbhelper.ifExists(title):
return title, Hcontent, Tcontent, Acontent #存在的话，就不用再解析和下载图片了
# print(title)
else:
print("没能找到标题，请检查网址 " + url)
# print(soup)
# print()
return title, Hcontent, Tcontent, Acontent # 不行就返回空的回去
if url.find(
"photoview") != -1: #===============================解析图片滚动的页面的
print("是图片集合的页面")
# print(soup)
for span in soup.find_all("img", attrs={"src": True}):
print(span)
return #返回空白的回去，不要这个图
else: #--===================================================普通的文本图文的新闻
pass #这种是常规的新闻页面的解析
# print(soup)
pList = soup.find_all("p")
checkLen = len(pList)
for p in pList: #解析常规的这几个东西
# print(p)
if p.img != None:
# print("图片段落")
# print(p)
try:
imgSrc = p.img['src']
imgName = imgSrc.replace("https://inews.gtimg.com/",
"").replace("/", "_")
now = time.strftime('%Y%m%d',
time.localtime(time.time()))
now_date = now + "/" # 后面下载的文件名是不需要带杠的，后面就不需要带杠杠
imgName = now_date + self.stripImgUrl(
imgName) # 这儿已经是添加了时间的 了
# print("文件名是" + imgName) # 这儿下载这个图片到服务器指定的地址上 # 这儿下载这个图片到服务器指定的地址上
downloadTool.downloadImg(imgSrc,
imgName=imgName,
referer=None,
now_date=now)
imgPScr = "/images/" + imgName + ".jpg" # 这个html格式图片地址
HtmlImg = '<p><img src="' + imgPScr + '"/></p>'
# print(HtmlImg) #这个是修好的图片的文本的
allP.append(HtmlImg) #放入列表中去
except Exception as e:
print(e)
print("找不到图片的地址")
print(p)
print()
else: #这就是普通的段落
if p.text != "用微信扫码二维码" and p.text != "分享至好友和朋友圈" and p.text != "" and p.text != "\n":
# print("普通段落")
if p.a == None: #这儿开始判断是不是第一段
# print(p)
allP.append('<p>' + p.text +
'</p>') #只要文字进来，不要样式之类的
# 最后再来判断首尾，这个也行的哈，对吧
for p in allP:
if (len(allP)) >= 2:
Acontent = Acontent + str(p)
if allP.index(p) == 0: # 如果发现索引值是第一个的话，那就是开头了
Hcontent = p
elif allP.index(p) == len(allP) - 1: # 如果是最后一个句子，那么你就是结尾了
Tcontent = p
else: # 不是首段和尾端的端口才加入到零散的段落中去
simplePList.append(p) #这儿存各种各样的列表
else: #如果这个也是一整段的新闻的话
Acontent = Acontent + str(p)
try:
Tcontent = "<p>" + p.split(
"。")[-2] + "</p>" # 最后一句作为 结尾的句子，句号前面那个才是
except Exception as e:
Tcontent = "<p>" + p.split(
"。")[0] + "</p>" # 无法分的话，比如一句话，那就头尾都一样把
Hcontent = "<p>" + p.split("。")[0] + "</p>" # 这儿是开头的第一句的句子 ,
simplePList.append(p)
# print("title")
# print(title)
# print("Hcontent")
# print(Hcontent)
# print("Tcontent")
# print(Tcontent)
# print("Acontent")
# print(Acontent)
return self.fixCssdot(title), self.fixCssdot(Hcontent), self.fixCssdot(
Tcontent), self.fixCssdot(Acontent) #最后进行返回这些东西进来这儿
