script.py
:
#!/usr/bin/python3
from urllib.parse import urljoin
import json
import bs4
import click
import aiohttp
import asyncio
import async_timeout
BASE_URL = 'http://e-bane.net'
async def fetch(session, url):
try:
with async_timeout.timeout(20):
async with session.get(url) as response:
return await response.text()
except asyncio.TimeoutError as e:
print('[{}]{}'.format('timeout error', url))
with async_timeout.timeout(20):
async with session.get(url) as response:
return await response.text()
async def get_result(user):
target_url = 'http://e-bane.net/modules.php?name=Stories_Archive'
res = []
async with aiohttp.ClientSession() as session:
html = await fetch(session, target_url)
html_soup = bs4.BeautifulSoup(html, 'html.parser')
date_module_links = parse_date_module_links(html_soup)
for dm_link in date_module_links:
html = await fetch(session, dm_link)
html_soup = bs4.BeautifulSoup(html, 'html.parser')
thread_links = parse_thread_links(html_soup)
print('[{}]{}'.format(len(thread_links), dm_link))
for t_link in thread_links:
thread_html = await fetch(session, t_link)
t_html_soup = bs4.BeautifulSoup(thread_html, 'html.parser')
if is_article_match(t_html_soup, user):
print('[v]{}'.format(t_link))
# to get main article, uncomment below code
# res.append(get_main_article(t_html_soup))
# code below is used to get thread link
res.append(t_link)
else:
print('[x]{}'.format(t_link))
return res
def parse_date_module_links(page):
a_tags = page.select('ul li a')
hrefs = a_tags = [x.get('href') for x in a_tags]
return [urljoin(BASE_URL, x) for x in hrefs]
def parse_thread_links(page):
a_tags = page.select('table table tr td > a')
hrefs = a_tags = [x.get('href') for x in a_tags]
# filter href with 'file=article'
valid_hrefs = [x for x in hrefs if 'file=article' in x]
return [urljoin(BASE_URL, x) for x in valid_hrefs]
def is_article_match(page, user):
main_article = get_main_article(page)
return main_article.text.startswith(user)
def get_main_article(page):
td_tags = page.select('table table td.row1')
td_tag = td_tags[4]
return td_tag
@click.command()
@click.argument('user')
@click.option('--output-filename', default='out.json', help='Output filename.')
def main(user, output_filename):
loop = asyncio.get_event_loop()
res = loop.run_until_complete(get_result(user))
# if you want to return main article, convert html soup into text
# text_res = [x.text for x in res]
# else just put res on text_res
text_res = res
with open(output_filename, 'w') as f:
json.dump(text_res, f)
if __name__ == '__main__':
main()
requirement.txt
:
aiohttp>=2.3.7
beautifulsoup4>=4.6.0
click>=6.7
Aqui está a versão python3 do script (testado em python3.5 no Ubuntu 17.10 ).
Como usar:
- Para usá-lo, coloque ambos os códigos nos arquivos. Como exemplo, o arquivo de código é
script.py
e o arquivo do pacote érequirement.txt
. - Executar
pip install -r requirement.txt
. - Execute o script como exemplo
python3 script.py pa4080
Ele usa várias bibliotecas:
- clique para analisador de argumentos
- beautifulsoup para o analisador html
- aiohttp para o html downloader
Coisas a saber para desenvolver ainda mais o programa (além do documento do pacote necessário):
- biblioteca python: asyncio, json e urllib.parse
- seletores de CSS ( documentos da Web do mdn ), também alguns html. veja também como usar o seletor css no seu navegador, como este artigo
Como funciona:
- Primeiro eu crio um simples downloader de html. É uma versão modificada da amostra dada no documento aiohttp.
- Depois disso, criamos um analisador de linha de comando simples que aceita nome de usuário e nome de arquivo de saída.
- Crie um analisador para links de thread e artigo principal. Usar pdb e manipulação de URL simples deve fazer o trabalho.
- Combine a função e coloque o artigo principal no json, para que outro programa possa processá-lo mais tarde.
Alguma ideia para que possa ser ainda mais desenvolvida
- Crie outro subcomando que aceite o link do módulo de data: isso pode ser feito separando o método para analisar o módulo de data para sua própria função e combiná-lo com o novo subcomando.
- Armazenando em cache o link do módulo de data: crie o arquivo json do cache após obter o link dos encadeamentos. então o programa não precisa analisar o link novamente. ou até mesmo armazenar em cache todo o artigo principal da thread mesmo que não corresponda
Esta não é a resposta mais elegante, mas acho que é melhor do que usar a resposta do bash.
- Ele usa o Python, o que significa que ele pode ser usado em várias plataformas.
- Instalação simples, todos os pacotes necessários podem ser instalados usando pip
- Pode ser desenvolvido mais, mais legível o programa, mais fácil ele pode ser desenvolvido.
- Ele faz o mesmo trabalho que o script bash apenas por 13 minutos .