解决思路
1,利用post向WordPress提交表单
2,通过wordpress_XMLrpc模块,有轮子不用想干啥
3,通过mysqldb直接插入数据库,有服务器、不需远程,直接把py脚本放在服务器跑
我们这次要用轮子拼一台摩托车!,宝马、、自己动手吧
开始动手:需自行安装的模块requests,xmlrpc;Windows系统、linux安装如下,土豪随意:
pip install requests
pip install python-wordpress-xmlrpc
caiji.py
#encoding=utf-8'''练手可以找wp博客来采集,这个脚本就是针对wp博客来做下手采集的'''import re,requests,time,random,urllib,threading,threadpoolfrom wordpress_xmlrpc import Client, WordPressPostfrom wordpress_xmlrpc.methods.posts import GetPosts, NewPost'''登录'''try: wp=Client('https://www.example.com/xmlrpc.php','wp的账号','wp的密码')except Exception, e: wp=Client('https://www.example.com/xmlrpc.php','wp的账号','wp的密码')post=WordPressPost()'''针对单站url重复采集问题'''f=open('url.txt','a+')urls=f.read()url_list=[m.strip() for m in open('url.txt').readlines()]daili_list=[]'''过滤html标签'''def filter_tags(htmlstr): re_cdata=re.compile('//<!\[CDATA\[[^>]*//\]\]>',re.I) #匹配CDATA re_script=re.compile('<\s*script[^>]*>[^<]*<\s*/\s*script\s*>',re.I)#Script re_style=re.compile('<\s*style[^>]*>[^<]*<\s*/\s*style\s*>',re.I)#style re_br=re.compile('<br\s*?/?>')#处理换行 re_br=re.compile('<br />') re_h=re.compile('</?\w+[^>]*>')#HTML标签 re_comment=re.compile('<!--[^>]*-->')#HTML注释 s=re_cdata.sub('',htmlstr)#去掉CDATA s=re_script.sub('',s) #去掉SCRIPT s=re_style.sub('',s)#去掉style s=re_br.sub('\n',s)#将br转换为换行 s=re_h.sub('',s) #去掉HTML 标签 s=re_comment.sub('',s)#去掉HTML注释 blank_line=re.compile('\n+')#去掉多余的空行 s=blank_line.sub('\n',s) return s'''轮换user-agent'''def getUA(): uaList = [ 'Mozilla/4.0+(compatible;+MSIE+6.0;+Windows+NT+5.1;+SV1;+.NET+CLR+1.1.4322;+TencentTraveler)', 'Mozilla/4.0+(compatible;+MSIE+6.0;+Windows+NT+5.1;+SV1;+.NET+CLR+2.0.50727;+.NET+CLR+3.0.4506.2152;+.NET+CLR+3.5.30729)', 'Mozilla/5.0+(Windows+NT+5.1)+AppleWebKit/537.1+(KHTML,+like+Gecko)+Chrome/21.0.1180.89+Safari/537.1', 'Mozilla/4.0+(compatible;+MSIE+6.0;+Windows+NT+5.1;+SV1)', 'Mozilla/5.0+(Windows+NT+6.1;+rv:11.0)+Gecko/20100101+Firefox/11.0', 'Mozilla/4.0+(compatible;+MSIE+8.0;+Windows+NT+5.1;+Trident/4.0;+SV1)', 'Mozilla/4.0+(compatible;+MSIE+8.0;+Windows+NT+5.1;+Trident/4.0;+GTB7.1;+.NET+CLR+2.0.50727)', 'Mozilla/4.0+(compatible;+MSIE+8.0;+Windows+NT+5.1;+Trident/4.0;+KB974489)', 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.101 Safari/537.36', 'Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.101 Safari/537.36', ] ua = random.choice(uaList) return ua'''提取正则'''def search(re_url,html): re_Data=re.findall(re_url,html) if re_Data: return re_Data[0] else: return 'no''''轮换ip'''def ip(): for x in open('daili.txt'): x = x.strip() daili_list.append(x) newip = random.choice(daili_list) return newip'''获取html'''def gethtml(url,headers): while 1: try: newip=ip() proxies={"http":"https://%s"%newip.strip()} pages=requests.post(url,headers,proxies,timeout=10) html=pages.content code=pages.status_code if '404' '302 Found' in html or code != 200 in html: print u'代理失效重试' continue elif 'verify' in html: print u'出验证码,重试' continue else: return html except Exception, e: # print e continue'''正则用以提取列表页上的url,需根据实际情况来调整'''re_url=re.compile(r'<a href="(https://www\.example\.com/.*?\d+\.html)"')'''正则用以提取内页上的title和正文内容content,当然也可以使用readability模块,正则需根据实际情况做修改'''re_title_content=re.compile(r'<h1 class="entry-title">(.*?)</h1>[\s\S]*?<div class="entry-content">([\s\S]*?)<div class="clear">')'''成功通过wordpress-xmlrpc模块自动发布文章到wordpress'''def getData(url): headers={'User-Agent':'%s'%getUA(),} mutex.acquire() html=gethtml(url,headers) re_Data=re.findall(re_url,html) for i in re_Data: i=i.strip() if i not in url_list and i not in urls: page=gethtml(i,headers) page_Data=re.findall(re_title_content,page) for n in page_Data: # print type(n) try: title=n[0] content=filter_tags(n[1]) ` except: title=0 content=0 if title and content: print title,content '''发布到wp''' # post.title=title # post.content=content # post.post_status = 'publish' # wp.call(NewPost(post)) url_list.append(i) f.writelines(i+'\n') print 'Updates' else: pass else: print 'Noposts updates' continue mutex.release()def now_time(url): for i in url_list: getData(i)url_list = []for line in range(1,12): line = 'https://www.example.com/page/%d'%line word = line.strip() url_list.append(word)mutex = threading.Lock()pool = threadpool.ThreadPool(3)reqs = threadpool.makeRequests(now_time, url_list)[pool.putRequest(req) for req in reqs]pool.wait()
设置采集内容到哪个默认目录,可以在wp后台设置,从代码上做修改也可以;具体可以看看xmlrpc官方文档:https://python-wordpress-xmlrpc.readthedocs.io/en/latest/overview.html
另外可以通过命令crontab -e 让脚本按需自动跑起来!
让足球滚一会提供足球、篮球、NBA赛事前瞻分析推荐,与各联赛时实新闻报道、球员转会消息、赛事录像回放等资讯,用心认真把每件事做到最好的网站。
体育即时比分网提供实时足球比分与篮球比分数据,包括即时比分、赛程、球队、竞猜等数据,让您无时无刻都能掌握时实足球比分与篮球比分动态消息。即时更新各项比赛数据与完赛结果。让足球滚一会带您体验精彩的竞猜足球比赛!
金魔网
外籍模特
:imtoken钱包为您提供最新的imtoken钱包信息,imtoken是全球最大的数字货币钱包,支持包括BTC, ETH, BSC, TRON, Aptos, Polygon, Solana, OKExChain, Polkadot, Kusama, EOS等在内的所有主流公链及Layer 2,已为全球近千万用户提供可信赖的数字货币资产管理服务,也是当前DeFi用户必备的工具钱包。
我们专注提供明星代言、商演、翻包视频、祝福视频录制等业务,十多年行业服务经验