爱奥娱乐
您的当前位置:首页python采集博客中上传的QQ截图文件

python采集博客中上传的QQ截图文件

来源:爱奥娱乐


哎,以前写博文的时候没注意,有些图片用QQ来截取,获得的图片文件名都是类似于QQ截图20120926174732-300×15.png的形式,昨天用ftp备份网站文件的时候发现,中文名在flashfxp里面显示的是乱码的,看起来好难受,所以写了一个python小脚本,爬取整个网站,然后获取每个文章页面的图片名,并判断如果是类似于QQ截图20120926174732-300×15.png的形式就输出并将该图片地址和对应的文章地址保存在文件中,然后通过该文件来逐个修改。

好了,下面是程序代码:

import urllib2
from bs4 import BeautifulSoup
import re
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
 
baseurl = "http://www.gxlcms.com/dont-worry.html"
#说明下,起始地址是第一篇文章的地址,通过该文章的页面就
#可以使用BeautifulSoup模块来获取上一篇文章的地址
 
file = open(r"E:123.txt","a")
 
def pageloop(url):
 page = urllib2.urlopen(url)
 soup = BeautifulSoup(page)
 img = soup.findAll(['img'])
 if img == []:
 print "当前页面没有图片"
 return
 else:
 for myimg in img:
 link = myimg.get('src')
 print link
 
 pattern = re.compile(r'QQS*[0-9]*png')
 badimg = pattern.findall(str(link))
 if badimg:
 print url
 file.write(link + "
")
 file.write(url+"
")
 
 
 
def getthenextpage(url):
 pageloop(url)
 page = urllib2.urlopen(url)
 soup = BeautifulSoup(page)
 for spanclass in soup.findAll(attrs={"class" : "article-nav-prev"}):
 #print spanclass
 if spanclass.find('article-nav-prev') != -1:
 pattern = re.compile(r'http://www.gxlcms.com/S*html')
 pageurl = pattern.findall(str(spanclass))
 for i in pageurl:
 #print i
 getthenextpage(i)
 
 
 
getthenextpage(baseurl)
 
 
 
print "the end!"
file.close()

最后,对和我以前刚开始做网站的同学说下,图片命名的话最好是用数字形式或者是英文、拼音的形式,要不然到最后想修改的话就麻烦了,所以最好就是从刚开始就养成好的习惯,用正确的命名规范来问文章、图片来命名,这样就会好很多。

显示全文