Python脚本实现批量导出网站指定文章
更新时间：2026年02月12日 09:11:34 作者：麦芽糖0219
这篇文章主要为大家详细介绍了如何利用Python脚本实现批量导出网站指定文章,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下
一 导出全部已发布文章
首先，需要在本地安装3.8版本以上的python，安装python步骤
检查是否安装成功
pip3 --version
安装后执行
pip3 install requests beautifulsoup4 markdownify
新建脚本，脚本名字随意，这里是：csdn_downloader.py
脚本内容如下：
# -*- coding: utf-8 -*-
import os
import re
import requests
import time
from bs4 import BeautifulSoup
from markdownify import markdownify as md
from urllib.parse import urlparse, unquote
import hashlib
from pathlib import Path
# ================== 配置区 ==================
CSDN_USERNAME = "qq_33417321" # ←←← 修改为你想下载的用户名
SAVE_DIR = Path("csdn_articles") # 文章保存根目录（自动跨平台）
HEADERS = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36",
"Referer": "https://blog.csdn.net/"
}
def sanitize_filename(name: str) -> str:
"""清理文件名，移除 Windows 非法字符和‘原创'字样"""
name = name.replace("原创", "").strip()
# 移除 Windows 非法字符
name = re.sub(r'[\\/*?:"<>|\r\n]', "_", name)
return name or "untitled"
def get_article_list(username):
"""获取博主文章列表（标题和URL）"""
url = f"https://blog.csdn.net/{username}/article/list"
articles = []
page = 1
while True:
response = requests.get(f"{url}/{page}", headers=HEADERS)
soup = BeautifulSoup(response.text, 'html.parser')
items = soup.select(".article-list .article-item-box")
if not items:
break
for item in items:
title_elem = item.select_one("h4 a")
if not title_elem:
continue
title = title_elem.text.strip()
link = title_elem["href"]
articles.append({"title": title, "url": link})
page += 1
time.sleep(1)
return articles
def download_image(img_url, save_path: Path):
"""下载单张图片到本地"""
try:
img_headers = HEADERS.copy()
img_headers["Accept"] = "image/avif,image/webp,image/apng,image/svg+xml,image/*,*/*;q=0.8"
response = requests.get(img_url, headers=img_headers, stream=True, timeout=30)
if response.status_code == 200:
save_path.parent.mkdir(parents=True, exist_ok=True)
with open(save_path, 'wb') as f:
for chunk in response.iter_content(chunk_size=8192):
if chunk:
f.write(chunk)
return True
else:
print(f"图片下载失败（状态码：{response.status_code}）：{img_url}")
return False
except Exception as e:
print(f"图片下载异常：{img_url}，错误：{str(e)}")
return False
def get_image_extension(img_url):
"""从URL中获取图片扩展名"""
parsed_url = urlparse(img_url)
path = parsed_url.path.lower()
extensions = ['.jpg', '.jpeg', '.png', '.gif', '.webp', '.bmp', '.svg']
for ext in extensions:
if ext in path:
return ext
return '.jpg'
def process_images_in_content(content, article_title):
"""处理内容中的图片，下载并替换为本地路径"""
soup = BeautifulSoup(content, 'html.parser')
img_tags = soup.find_all('img')
if not img_tags:
return content
# 清理文章标题用于路径
safe_title = sanitize_filename(article_title)
global_image_dir = SAVE_DIR / "images"
article_image_dir = global_image_dir / safe_title
for img in img_tags:
img_url = img.get('src', '')
if not img_url:
continue
# 处理协议相对路径
if img_url.startswith('//'):
img_url = 'https:' + img_url
elif not img_url.startswith(('http://', 'https://')):
continue # 跳过无法处理的相对路径
try:
img_hash = hashlib.md5(img_url.encode()).hexdigest()[:8]
img_ext = get_image_extension(img_url)
img_filename = f"{img_hash}{img_ext}"
local_img_path = article_image_dir / img_filename
# Markdown 中使用正斜杠（/），兼容所有平台
md_img_path = f"./images/{safe_title}/{img_filename}"
if not local_img_path.exists():
print(f" 下载图片：{img_filename}")
if download_image(img_url, local_img_path):
img['src'] = md_img_path
else:
print(f" 图片下载失败，保留原链接：{img_url}")
else:
img['src'] = md_img_path
except Exception as e:
print(f" 处理图片时出错：{img_url}，错误：{str(e)}")
continue
return str(soup)
def download_article(url, article_title):
"""下载单篇文章，处理图片后转为Markdown"""
try:
response = requests.get(url, headers=HEADERS, timeout=30)
soup = BeautifulSoup(response.text, 'html.parser')
content = soup.select_one("article")
if not content:
print(f" 未找到文章内容")
return None
processed_content = process_images_in_content(str(content), article_title)
markdown_content = md(processed_content)
return markdown_content
except Exception as e:
print(f" 下载文章时出错：{str(e)}")
return None
def save_to_markdown(title, content, save_dir: Path):
"""保存Markdown文件"""
save_dir.mkdir(parents=True, exist_ok=True)
safe_title = sanitize_filename(title)
filename = save_dir / f"{safe_title}.md"
with open(filename, "w", encoding="utf-8") as f:
f.write(f"# {title}\n\n")
f.write(content)
print(f" 已保存：{filename}")
return filename
if __name__ == "__main__":
print("开始获取文章列表...")
articles = get_article_list(CSDN_USERNAME)
print(f"找到 {len(articles)} 篇文章")
success_count = 0
fail_count = 0
for i, article in enumerate(articles, 1):
title = article["title"]
url = article["url"]
print(f"\n[{i}/{len(articles)}] 处理文章：{title}")
content = download_article(url, title)
if content:
save_to_markdown(title, content, SAVE_DIR)
success_count += 1
else:
print(f" 文章下载失败：{title}")
fail_count += 1
time.sleep(2)
print(f"\n处理完成！成功：{success_count}篇，失败：{fail_count}篇")
print(f"文章保存在：{SAVE_DIR.resolve()}")
print("图片保存在：./images/ 目录下，Markdown文件可离线查看")
其中，脚本里CSDN_USERNAME的值，改为你要获取的csdn的用户名
获取用户名：点击作者头像后，链接里的这个值就是用户名（红框里的内容）
执行脚本
python csdn_downloader.py
执行日志入下：
由于要下载csdn文章里的图片，所以很慢，静静等待即可。下载过程中，会在脚本所在目录生成一个csdn_articles文件夹，里边是md文件以及存md里的图片的文件夹。
二 导出指定日期后的文章
上边的脚本，一次性导出了所有已发布的文章，但是有时候我们的文章太多，每次备份不需要全部导出，只导出指定时间以后的文章，那么使用如下脚本即可，如脚本名为new.py，内容如下
# -*- coding: utf-8 -*-
import os
import re
import requests
import time
from bs4 import BeautifulSoup
from markdownify import markdownify as md
from urllib.parse import urlparse, unquote
import hashlib
from pathlib import Path
from datetime import datetime
# ================== 配置区 ==================
CSDN_USERNAME = "qq_33417321" # ←←← 修改为你想下载的用户名
SAVE_DIR = Path("csdn_articles") # 文章保存根目录（自动跨平台）
# ⬇️ 新增：设置最小发布日期（含）
MIN_PUBLISH_DATE = datetime(2026, 2, 7) # 只下载 2026年2月1日及之后的文章
HEADERS = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36",
"Referer": "https://blog.csdn.net/"
}
def sanitize_filename(name: str) -> str:
"""清理文件名，移除 Windows 非法字符和‘原创'字样"""
name = name.replace("原创", "").strip()
name = re.sub(r'[\\/*?:"<>|\r\n]', "_", name)
return name or "untitled"
def parse_publish_date(date_str: str) -> datetime | None:
"""尝试解析 CSDN 日期字符串，支持 '2025-06-15 10:30:00' 或 '2025-06-15' 等"""
date_str = date_str.strip()
for fmt in [
"%Y-%m-%d %H:%M:%S", # 带秒，如 2025-06-15 10:30:09
"%Y-%m-%d %H:%M", # 不带秒，如 2025-06-15 10:30
"%Y-%m-%d" # 只有日期，如 2025-06-15
]:
try:
return datetime.strptime(date_str, fmt)
except ValueError:
continue
print(f" 无法解析日期：{date_str}")
return None
def get_article_list(username, min_date=None):
"""获取博主文章列表（标题、URL、发布时间），可选按 min_date 过滤"""
url = f"https://blog.csdn.net/{username}/article/list"
articles = []
page = 1
early_stop = False
while not early_stop:
print(f" 正在抓取第 {page} 页...")
response = requests.get(f"{url}/{page}", headers=HEADERS)
soup = BeautifulSoup(response.text, 'html.parser')
items = soup.select(".article-list .article-item-box")
if not items:
break
current_page_has_valid = False # 当前页是否有满足条件的文章
for item in items:
title_elem = item.select_one("h4 a")
date_elem = item.select_one(".date") # CSDN 通常用 .date 类表示发布时间
if not title_elem:
continue
title = title_elem.text.strip()
link = title_elem["href"]
pub_date = None
if date_elem:
raw_date = date_elem.text.strip()
pub_date = parse_publish_date(raw_date)
# 如果设置了最小日期，且文章发布时间早于该日期，则跳过
if min_date and pub_date and pub_date < min_date:
continue
# 如果发布时间未知但设置了 min_date，保守起见也跳过（或可选择保留）
if min_date and not pub_date:
print(f" 警告：无法获取文章 [{title}] 的发布时间，跳过（因设置了日期过滤）")
continue
articles.append({
"title": title,
"url": link,
"publish_date": pub_date
})
current_page_has_valid = True
# 如果当前页没有任何有效文章（全部早于 min_date），可提前终止
if min_date and not current_page_has_valid and page > 1:
print(" 后续页面文章均早于指定日期，停止翻页。")
early_stop = True
page += 1
time.sleep(1)
return articles
# ========== 以下函数保持不变 ==========
def download_image(img_url, save_path: Path):
try:
img_headers = HEADERS.copy()
img_headers["Accept"] = "image/avif,image/webp,image/apng,image/svg+xml,image/*,*/*;q=0.8"
response = requests.get(img_url, headers=img_headers, stream=True, timeout=30)
if response.status_code == 200:
save_path.parent.mkdir(parents=True, exist_ok=True)
with open(save_path, 'wb') as f:
for chunk in response.iter_content(chunk_size=8192):
if chunk:
f.write(chunk)
return True
else:
print(f"图片下载失败（状态码：{response.status_code}）：{img_url}")
return False
except Exception as e:
print(f"图片下载异常：{img_url}，错误：{str(e)}")
return False
def get_image_extension(img_url):
parsed_url = urlparse(img_url)
path = parsed_url.path.lower()
extensions = ['.jpg', '.jpeg', '.png', '.gif', '.webp', '.bmp', '.svg']
for ext in extensions:
if ext in path:
return ext
return '.jpg'
def process_images_in_content(content, article_title):
soup = BeautifulSoup(content, 'html.parser')
img_tags = soup.find_all('img')
if not img_tags:
return content
safe_title = sanitize_filename(article_title)
global_image_dir = SAVE_DIR / "images"
article_image_dir = global_image_dir / safe_title
for img in img_tags:
img_url = img.get('src', '')
if not img_url:
continue
if img_url.startswith('//'):
img_url = 'https:' + img_url
elif not img_url.startswith(('http://', 'https://')):
continue
try:
img_hash = hashlib.md5(img_url.encode()).hexdigest()[:8]
img_ext = get_image_extension(img_url)
img_filename = f"{img_hash}{img_ext}"
local_img_path = article_image_dir / img_filename
md_img_path = f"./images/{safe_title}/{img_filename}"
if not local_img_path.exists():
print(f" 下载图片：{img_filename}")
if download_image(img_url, local_img_path):
img['src'] = md_img_path
else:
print(f" 图片下载失败，保留原链接：{img_url}")
else:
img['src'] = md_img_path
except Exception as e:
print(f" 处理图片时出错：{img_url}，错误：{str(e)}")
continue
return str(soup)
def download_article(url, article_title):
try:
response = requests.get(url, headers=HEADERS, timeout=30)
soup = BeautifulSoup(response.text, 'html.parser')
content = soup.select_one("article")
if not content:
print(f" 未找到文章内容")
return None
processed_content = process_images_in_content(str(content), article_title)
markdown_content = md(processed_content)
return markdown_content
except Exception as e:
print(f" 下载文章时出错：{str(e)}")
return None
def save_to_markdown(title, content, save_dir: Path):
save_dir.mkdir(parents=True, exist_ok=True)
safe_title = sanitize_filename(title)
filename = save_dir / f"{safe_title}.md"
with open(filename, "w", encoding="utf-8") as f:
f.write(f"# {title}\n\n")
f.write(content)
print(f" 已保存：{filename}")
return filename
# ========== 主程序入口 ==========
if __name__ == "__main__":
print("开始获取文章列表...")
articles = get_article_list(CSDN_USERNAME, min_date=MIN_PUBLISH_DATE)
print(f"找到 {len(articles)} 篇符合条件的文章（发布日期 ≥ {MIN_PUBLISH_DATE.strftime('%Y-%m-%d')}）")
success_count = 0
fail_count = 0
for i, article in enumerate(articles, 1):
title = article["title"]
url = article["url"]
pub_date = article.get("publish_date")
date_str = pub_date.strftime("%Y-%m-%d") if pub_date else "未知"
print(f"\n[{i}/{len(articles)}] 处理文章：{title} （发布于 {date_str}）")
content = download_article(url, title)
if content:
save_to_markdown(title, content, SAVE_DIR)
success_count += 1
else:
print(f" 文章下载失败：{title}")
fail_count += 1
time.sleep(2)
print(f"\n处理完成！成功：{success_count}篇，失败：{fail_count}篇")
print(f"文章保存在：{SAVE_DIR.resolve()}")
print("图片保存在：./images/ 目录下，Markdown文件可离线查看")
记得修改MIN_PUBLISH_DATE 里的开始日期。之后执行脚本后，下载下来就是指定日期后的文章了。
到此这篇关于Python脚本实现批量导出网站指定文章的文章就介绍到这了,更多相关Python导出网站文章内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方法,需要的朋友可以参考下2025-04-04
这篇文章主要介绍了Python计算序列相似度的算法实例,求两个序列转换的最少交换步骤和最小交换距离,本文提供了部分实现代码与解决思路,对开发非常有帮助,需要的朋友可以参考下2023-07-07
在Flask中，使用蓝图Blueprint来分模块组织管理。蓝图实际可以理解为是一个存储一组视图方法的容器对象，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习吧2022-10-10
pygame是python的游戏编程模块，今天我们就来一起简单的学习如何使用该模块2021-06-06
这篇文章主要介绍了Python程序的执行原理,简要地描述了其中的步骤,需要的朋友可以参考下2015-04-04
在日常开发中,我们经常需要批量修改文件的时间戳属性,本文将使用Python的PyQt5库开发一个功能全面的图形化文件时间戳编辑器,感兴趣的小伙伴可以了解下2025-06-06
这篇文章主要介绍了OpenCV基本操作之色彩空间，本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下2021-09-09
这篇文章主要介绍了opencv导入头文件时报错#include的解决方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2019-07-07
Cookie是一种存储在用户浏览器中的小型数据片段,用于记录用户的登录状态、偏好设置等信息,下面小编就来和大家详细讲讲Python如何设置Cookie永不超时吧2025-07-07
今天小编就为大家分享一篇对python 树状嵌套结构的实现思路详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-08-08
最新评论