大学的时候用新浪写了4年的流水账 blog，某天突然翻到，感慨还是留了不少记忆在里边的，就想着要不迁移或者备份下。搜了一圈发现了 bfishadow/SBB 这个 Python 写的备份工具，试用了下还不错。刚好借着这个机会学习一下 Python 和爬虫。
在学习代码的过程中，自己也敲了一遍，发现了一些问题：不支持 Python3.x，代码可读性太差。代码敲完了发现，作者原来不是程序员！
所以花了一下午时间对代码重写了一遍，顺便学习下 Python：
新特性：
- 适配 Python3.x；
- 进行了封装、重构，提高代码可读性；
- 添加了踩坑注释；
- 吐槽归吐槽，原 po 思路还是非常赞的，鸣谢 @bfishadow；
功能简介
- 用于下载并归档指定新浪博客作者全部文章的 Python 脚本；
- 抓取后整理生成本地 html 文件，以及一个 indxe 入口；
- 支持到 Python3.x
- 源码戳 sina-blog-spider
Usage:
# 排序开关是可选的，默认为按发表时间顺序排列（即 asc）
$ sina_blog_crawler.py http://blog.sina.com.cn/gongmin desc
$ sina_blog_crawler.py http://blog.sina.com.cn/u/1239657051
TODO:
- [ ] 添加可选参数：指定抓取页数支持
- [ ] 网络库从 urllib 替换为 requests
- [ ] 字符串匹配改用正则
- [ ] 不够 Pythonic，优化编码规范
DEMO:
万万没想到韩寒 17 年还有两篇博客，试爬了一下韩寒的 10 篇 blog，效果如图：
sinaa-demo