（一） 说明
上一篇只能下载一页的数据，第2、3、4....100页的数据没法获取，在上一篇的基础上修改了下，使用selenium去获取所有页的href属性值。
使用selenium去模拟浏览器有点麻烦，例如有300页就要点300次（按博客园这种一页20条，也就是6000条数据。要是几百万条，这个就得点好长时间了）
研究下有没有办法调用JS修改页面默认显示的数据条数（例如：博客园默认1页显示20条，改成默认显示1万条数据）。
（二） 完整代码
delayed.py的代码还是和之前一样。最好限速，不限速很容易被拒绝连接，而且也不道德。
from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions
from selenium.webdriver.common.by import By
from selenium.webdriver.support.expected_conditions import StaleElementReferenceException
import time
import urllib.request as ure
from delayed import WaitFor
import lxml.html
import os
import docx
#使用selenium获取所有随笔href属性的值，url只能传小类的，例如https://www.cnblogs.com/cate/python/
def selenium_links(url):
driver = webdriver.Chrome()
driver.maximize_window()
driver.get(url)
#获取最大页数
maxPage = driver.find_element_by_css_selector('#paging_block div.pager a:nth-last-of-type(2)').get_attribute('text')
x=1
url_list=[]
#循环获取当前小类所有页面的href
while x<=int(maxPage):
time.sleep(1) #隐式 显式等待都尝试了，还是报错，只能等待1秒了(调试又正常运行)
x +=1
#等待 Next出现并返回 ,就是博客园翻到下一页的那个元素
lastPage = WebDriverWait(driver, 30).until(expected_conditions.element_to_be_clickable((By.CSS_SELECTOR, '#paging_block div.pager a:last-child')))
#等待元素出现并返回list，这里定位的是页面上的随笔
html = WebDriverWait(driver, 30).until(expected_conditions.presence_of_all_elements_located((By.CSS_SELECTOR, 'a.titlelnk')))
#迭代，将href属性的值添加到url_list
for h in html:
url_list.append(h.get_attribute('href'))
lastPage.click()
driver.quit()
#以列表形式返回所有URL
return url_list
#传入包含url的列表
def link_crawler(seed_url):
html_list = []
#下载crawl_queue中的所有网页
waitFor = WaitFor(2)
x =1
while seed_url:
print('第'+str(x)+'个')
x+=1
url = seed_url.pop()
#下载限速
waitFor.wait(url)
html = download(url)
html_list.append(html)
return html_list
#下载网页并返回
def download(url,user_agent='FireDrich',num=2):
print('下载:'+url)
#设置用户代理
headers = {'user_agent':user_agent}
request = ure.Request(url,headers=headers)
try:
#下载网页
html = ure.urlopen(request).read()
except ure.URLError as e:
print('下载失败'+e.reason)
html=None
if num>0:
#遇到5XX错误时，递归调用自身重试下载，最多重复2次
if hasattr(e,'code') and 500<=e.code<600:
return download(url,num-1)
return html #将下载的网页写入Word文档
def createWord(html):
x = 0
while html:
url = html.pop()
tree = lxml.html.fromstring(url) # 解析HTML为统一的格式
title = tree.xpath('//a[@id="cb_post_title_url"]') # 获取标题
the_file = tree.xpath('//div[@id="cnblogs_post_body"]/p') # 获取正文内容
pre = tree.xpath('//pre') # 获取随笔代码部分（使用博客园自带插入代码功能插入的）
img = tree.xpath('//div[@id="cnblogs_post_body"]/p/img/@src') # 获取图片
# 修改工作目录
os.chdir('F:\Python\worm\data\博客园文件')
try:
# 创建一个空白新的Word文档
doc = docx.Document()
# 添加标题
doc.add_heading(title[0].text_content(), 0)
#有的设置成注册用户才能浏览的随笔，调用download函数时下载不到正确的网页，导致获取不到标题
#title会是空列表，这里忽略这篇随笔,利用http.cookiejar模块应该可以解决这种问题，以后再看看这个模块了
except IndexError as e:
continue
for i in the_file:
# 将每一段的内容添加到Word文档（p标签的内容）
doc.add_paragraph(i.text_content())
# 将代码部分添加到文档中
for p in pre:
doc.add_paragraph(p.text_content())
# 将图片添加到Word文档中
for i in img:
try:
ure.urlretrieve(i, '0.jpg')
doc.add_picture('0.jpg')
except UnicodeEncodeError as e:
print('异常'+str(e))
pass
# 截取标题的前8位作为Word文件名
filename = title[0].text_content()[:8] + '.docx'
# 保存Word文档
# 如果文件名已经存在，将文件名设置为title[0].text_content()[:8]+ str(x).docx，否则将文件名设置为filename
if str(filename) in os.listdir('F:\Python\worm\data\博客园文件'):
doc.save(title[0].text_content()[:8] + str(x) + '.docx')
x += 1
else:
doc.save(filename)
#调用selenium_links获取所有url
html = selenium_links('https://www.cnblogs.com/cate/ruby/')
#调用link_crawler下载所有网页
downHtml = link_crawler(html)
#提取已经下载的网页数据到Word文档中
createWord(downHtml)
（三）结果
下面这个异常是，有的随笔上传了微信公众号的图片（暂时不确定是全部这样，还是部分这样），解析这个的时候会出现编码错误，目前的处理是输出异常信息，跳过这张图片。
