python爬51cto某一课程表

因为看见老男孩的学员做过这一期,也很有兴趣,并且刚在学python,所以用python实现了下。由于刚学习python,肯定还有很多地方可以优化。

#!/bin/bash
# oldboy linux training
# 2015-06-01
# Happy Children's Day
# 说明:本脚本来自老男孩linux21期学员张耀开发!
EduFile=/tmp/edu.html
EduFile2=/tmp/edu2.html
Url="$*"
 
# Check for given parameters 
[ $# -eq 0 ] && {
   echo "USAGE: /bin/sh $0 http://...."
   exit 1
}
 
# Judge url is ok?
curl -I $Url &>/dev/null 
[ $? -ne 0 ] &&{
   echo "Bad url,Please check it"
   exit 1
}
 
# Defined get pagenum and CourseId Functions
function getnum(){
        curl -s $Url>$EduFile
        grep '"pagesGoEnd"' $EduFile &>/dev/null
        if [ $? -eq 0 ]
          then
            num=`sed -rn 's#.*page=([0-9].*)" class="pagesGoEnd".*$#\1#gp' $EduFile`
        else
            num=`sed -rn 's|.*page=([0-9].*)#" class="pagesNum".*$|\1|gp' $EduFile`
        fi
        pagenum=${num:-1}
        CourseId=`echo $Url|awk -F "[-.]" '{print $4}'`
}
 
 
# Defined curl html Functions
function Curl(){
        getnum
        for i in `seq $pagenum`
          do 
            curl "http://edu.51cto.com/index.php?do=course&m=lessions&course_id=$CourseId&page=$i" 1>>$EduFile 2>/dev/null
        done
}
 
# Defined Create table Functions
function table(){
        sum=""
        index=1
        sed -rn '/do=lesson/ s#<.*(<a href=")(.*)</h4>$#\1http://edu.51cto.com\2#gp' $EduFile > $EduFile2
        while read line
          do
            sum=$sum"<tr><th width="40" scope="row">$index</th><td width="520">$line</td>"
            ((index++))
        done <$EduFile2
}
 
# Defined Create html Functions
function html(){
        cat >/tmp/oldboy.html<<-END
        <head>
        <meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
        <title>test</title>
        </head>
 
        <body>
        <table width="560" border="1">
        $sum
        </table>
        </body>
        </html>
        END
}
 
function main(){
        Curl
        table
        html
}
 
main
#!/usr/bin/env python
#coding:utf-8
import urllib,urllib2,sys,os,re
reload(sys)
sys.setdefaultencoding('utf-8') 

def get_course_id_page_num(URI):
    orgin = urllib2.urlopen(URI).read().decode('utf-8').encode('utf-8')
    try:
        page_pattern = re.compile(r'<a href="/index.php?.*course_id=(.*)&page=(.*)" class="pagesGoEnd"')
        course_id = page_pattern.search(orgin).group(1)
        pagenum = page_pattern.search(orgin).group(2)
    except AttributeError:
        page_pattern = re.compile(r'<a href="/index.php?.*course_id=(.*)&page=(.*)#" class="pagesNum"')
        course_id = page_pattern.search(orgin).group(1)
        pagenum = page_pattern.search(orgin).group(2)
    return (course_id,pagenum)
def get_url_title(course,page):
    #cto = file('/tmp/edu.51cto.html','a+')
    url= "http://edu.51cto.com/index.php?do=course&m=lessions&course_id=" + str(course) + "&page=" + str(page)
    request = urllib2.urlopen(url).read().decode('utf-8').encode('utf-8')
    url_title_pattern = re.compile(r'<a href="(.*)" target="_blank">(.*)</a></h4>')
    ut=url_title_pattern.findall(request)
    cto_table_1 = '<tr><th scope=row>+_+</th><td><a href="'
    cto_table_2 = 'http://edu.51cto.com'
    cto_table_3 = '" target="_blank">'
    cto_table_4 = '</a></td>'
    for k,v in ut:
        if 'lesson' in k:
        line = cto_table_1 + cto_table_2 + k + cto_table_3 + v + cto_table_4
        print >> cto, line
     #cto.close()
if __name__ == "__main__":
    URI = "http://edu.51cto.com/course/course_id-839.html"
    #URI = sys.argv[1]
    cto = file('/tmp/edu.51cto.html','a+')
    cto_head = '<head>\n<meta http-equiv="Content-Type" content="text/html;charset=utf-8"/>\n<title>51cto</title>\n</head>\n<body><table width="560" border="1">\n'
    print >> cto, cto_head
    course_id,pagenum = get_course_id_page_num(URI)
    for i in range(1,int(pagenum) + 1):
        get_url_title(course_id,i)
        cto_tail = '</table>\n</body>\n</html>'
        print >> cto, cto_tail
    cto.close()

以下就是程序运行之后的效果图了wKioL1V_kIewN-AwAAUN6eNRuVc726.jpg

你可能感兴趣的:(python,老男孩,课程表)