-
Notifications
You must be signed in to change notification settings - Fork 0
/
main.py
68 lines (64 loc) · 3.59 KB
/
main.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
import requests
from bs4 import BeautifulSoup
import textwrap as tw
print('Этот скрипт работает на основе сайта https://tproger.ru')
print('Скрипт может парсить актуальные статьи с главной страницы, а также статьи по определенным тегам, например Python')
print('Чтобы парсить страницы по тегам это нужно указать в ссылке, например https://tproger.ru/tag/python/')
# Параметры для парсинга
url = str(input('Введите ссылку на сайт: '))
N = int(input('Введите длину строки: '))
save_pics = str(input('Сохранить картинки в виде ссылок? y/n: '))
save_file = str(input('Сохранить информацию в файл? y/n: '))
# Заголовки, чтобы сайт не принял нас за бота
headers = {
"Accept": "*/*",
"User-Agent": "Mozilla/5.0 (iPad; CPU OS 11_0 like Mac OS X) AppleWebKit/604.1.34 (KHTML, like Gecko) Version/11.0 Mobile/15A5341f Safari/604.1"
}
# Делает get запрос и записывает ответ в переменную
req = requests.get(url, headers=headers)
src = req.text
# Создаем парсер
soup = BeautifulSoup(src, 'lxml')
# Ищем все статьи через класс
all_articles_hrefs = soup.find_all(class_='article__link')
# Записывает название стать и её ссылку в словарь
all_articles_dict = {}
for item in all_articles_hrefs:
item_text = item.text
item_href = item.get('href')
all_articles_dict[item_text] = item_href
# Парсинг информации внутри статей
for article_name, article_href in all_articles_dict.items():
# Берем за основу новую ссылку
req = requests.get(url=article_href, headers=headers)
src = req.text
# Создаем новый объект супа
soup = BeautifulSoup(src, 'lxml')
# Собираем заголовок статьи, текст и удаляем футтер
article_title = soup.find(class_='single__title').text
article_text = soup.find(class_='single__content').text
footer_to_delete = soup.find(class_='footer-meta').text
article_text = article_text.replace(footer_to_delete, '')
# Ищем ссылки на картинки
article_code = soup.find(class_='single__content')
image_block = article_code.find_all('a', class_='flex lightbox')
# Помещаем ссылки на картинки в список
image_href_list = []
for img in image_block:
image_href = img.get('href')
image_href_list.append(image_href)
# Выводим статьи и картинки
print(f'СТАТЬЯ: {tw.fill(article_title, width=N)}')
print(f'ТЕКСТ СТАТЬИ: {tw.fill(article_text, width=N)}')
if save_pics == 'y':
for image in image_href_list:
print(f'Картинка: {image}')
if save_file == 'y':
article_title = article_title.replace('\xa0', '')
article_text = article_text.replace('\xa0', '')
with open('result.txt', 'a', encoding='utf-8') as file:
file.write(f'{tw.fill(article_title, width=N)}\n{tw.fill(article_text, width=N)}')
if save_pics == 'y':
for image in image_href_list:
with open('result.txt', 'a', encoding='utf-8') as file:
file.write(f'\n{tw.fill(article_title, width=N)}\n{tw.fill(article_text, width=N)}\nКартинка:{image}\n')