在学习python的过程中，经过不断的尝试及努力，终于完成了第一个像样的python程序，虽然还有很多需要优化的地方，但是目前基本上实现了我所要求的功能，先贴一下程序代码：
具体代码如下:
#! /usr/bin/python import os,urllib2,re,time,mysqldb,sys retitle = re.compile(']*>(.*?)]*') reneiron = re.compile('[1-9|a-z|a-z].*') retiqu = re.compile('^(?!marginwidth|br).*.[^>|}]$') rezhong = re.compile('^[^[].*') shijian=1190944000 str1=\\n---------------- blog of yao bianhao=2859 for i in range(1,1500): str2= ltime=time.localtime(shijian) timestr=time.strftime(%y%m%d,ltime) url=http://www.jokeswarehouse.com/cgi-bin/viewjoke2.cgi?id=%s %timestr print url a=urllib2.urlopen(url).read() title=retitle.findall(a) print ========================================================================================================== for titles in map(none,title): titles=mysqldb.escape_string(titles) print titles neiron=re.findall(reneiron,a) for i in map(none,neiron): x=re.findall(retiqu,i) for str in x: str=mysqldb.escape_string(str) str2 += str+\\n shijian += 86400 bianhao += 1 try: conn=mysqldb.connect(xxxx.xxxx.xxxx.xxxx,user,passwd,dbname,charset=utf8, init_command=set names utf8) except mysqldb.operationalerror,message: print like error cursor=conn.cursor() sql=insert into wp_posts (post_author,post_date,post_date_gmt,post_content,post_content_filtered,post_title,post_excerpt,post_status,post_type,comment_status,ping_status,post_password,post_name,to_ping,pinged,post_modified,post_modified_gmt,post_parent,menu_order,guid) values (\'1\',\'2011-06-01 22:12:25\',\'2011-05-09 04:12:25\',\'\',\'\',\'auto draft\',\'\',\'inherit\',\'revision\',\'open\',\'open\',\'\',\'100-revision\',\'\',\'\',\'2011-06-01 22:12:25\',\'2011-05-09 04:12:25\',\'%s\',\'0\',\'\') %bianhao sql2=update wp_posts set post_author = 1, post_date = \'2011-06-01 22:12:25\', post_date_gmt = \'2011-06-01 22:12:25\', post_content =\'%s\', post_content_filtered = \'\', post_title = \'%s\', post_excerpt = \'\', post_status = \'publish\', post_type = \'post\', comment_status = \'open\', ping_status = \'open\', post_password = \'\', post_name = \'%s\', to_ping = \'\', pinged = \'\', post_modified = \'2011-06-01 22:12:25\', post_modified_gmt = \'2011-05-09 04:12:30\', post_parent = 0, menu_order = 0, guid = \'http://www.moncleronlineshops.com/?p=%s\' where id = %s %(str2,titles,titles,bianhao,bianhao) cursor.execute(sql) cursor.execute(sql2) cursor.close() conn.close() sys.exit()
下面，我们来给代码加些注释，让读者能看的更明白一些，如下：
具体代码如下
#! /usr/bin/python import os,urllib2,re,time,mysqldb,sys #加载本程序需要调用的相模块retitle = re.compile(']*>(.*?) ]*') # 定义一下取文章标题的正则reneiron = re.compile('[1-9|a-z|a-z].*') #定义一个取提取文章内容的正则(注：这里提取出来的不是很精细，需要在下面的正则里，再进行提取，这里只是取一个大概)retiqu = re.compile('^(?!marginwidth|br).*.[^>|}]$') #这里定义一个正则，将上面reneiron提取出来的字符，再进行细化。shijian=1190944000 #这里字义了一个时间戳，str1=\\n---------------- blog of yao #这个没用，开始是准备加到文章里的，后来没加进去。bianhao=2859 #这里是wordpress 的文章编号，直接查看wp-posts表的id 字段的最后一个数字。for i in range(1,1500): #循环1500遍，也就是采集1500篇文章。 str2= #先赋值给str2 空值 ltime=time.localtime(shijian) timestr=time.strftime(%y%m%d,ltime) #这两句将上面的时间戳改为时间，样式为19700101这样的格式 url=http://www.jokeswarehouse.com/cgi-bin/viewjoke2.cgi?id=%s %timestr #定义要采集的网站，将转化后的时间放在这个url的最后。 a=urllib2.urlopen(url).read() #将这个网页的源代码读出来，赋值给a; title=retitle.findall(a) #使用 retitle这个正则提取出标题 print ========================================================================================================== for titles in map(none,title): #上面提取出来的标题前后都有一个 [] 所以我们要写个for循环把前后的[]去掉，并转义成能直接插入mysql库的格式。 titles=mysqldb.escape_string(titles) neiron=re.findall(reneiron,a) #先用reneiron，取个大概的内容模型出来。这些都是以逗号分隔的数组。 for i in map(none,neiron): # 我们来循环读出neiron这个数组里的每个值。 x=re.findall(retiqu,i)#并用 retiqu这个正则提出精细出的内容。 for str in x: str=mysqldb.escape_string(str) str2 += str+\\n #利用这个循环，我们把内容加到一起，并赋值给str2这个变量，这个　str2这个变量就是所有的文章内容。 shijian += 86400 #每循环一次，就把shijian这个变量加上一天。 bianhao += 1 #每循环一次，就把bianhao这个变量加上一 try: #下面是用mysqldb连接数据库，并尝试连接是否成功。 conn=mysqldb.connect(xxxx.xxxx.xxxx.xxxx,user,passwd,dbname,charset=utf8, init_command=set names utf8) except mysqldb.operationalerror,message: print like error cursor=conn.cursor() #下面是插入wordpress数据库的两条语句，我是从mysqlbinlog里面导出来的，测试是可以插入数据库，并能正常把内容显示在网页的。变量都写在这两条语句里。 sql=insert into wp_posts (post_author,post_date,post_date_gmt,post_content,post_content_filtered,post_title,post_excerpt,post_status,post_type,comment_status,ping_status,post_password,post_name,to_ping,pinged,post_modified,post_modified_gmt,post_parent,menu_order,guid) values (\'1\',\'2011-06-01 22:12:25\',\'2011-05-09 04:12:25\',\'\',\'\',\'auto draft\',\'\',\'inherit\',\'revision\',\'open\',\'open\',\'\',\'100-revision\',\'\',\'\',\'2011-06-01 22:12:25\',\'2011-05-09 04:12:25\',\'%s\',\'0\',\'\') %bianhao sql2=update wp_posts set post_author = 1, post_date = \'2011-06-01 22:12:25\', post_date_gmt = \'2011-06-01 22:12:25\', post_content =\'%s\', post_content_filtered = \'\', post_title = \'%s\', post_excerpt = \'\', post_status = \'publish\', post_type = \'post\', comment_status = \'open\', ping_status = \'open\', post_password = \'\', post_name = \'%s\', to_ping = \'\', pinged = \'\', post_modified = \'2011-06-01 22:12:25\', post_modified_gmt = \'2011-05-09 04:12:30\', post_parent = 0, menu_order = 0, guid = \'http://www.moncleronlineshops.com/?p=%s\' where id = %s %(str2,titles,titles,bianhao,bianhao) cursor.execute(sql) cursor.execute(sql2) #连接数据库并执行这两条语句。 cursor.close() conn.close() #关闭数据库。 sys.exit()
上面是程序的代码，采集的是：www.jokeswarehouse.com 的一个笑话网站。通过 python 的 re 模块，也就是正则匹配模块，运行相应的正则表达式，进行过滤出我们所需要的标题和文章内容，再运用 python 的mysqldb 模块，进行连接数据库，利用相应的插入语句，进行插入数据库。