Python获取知乎问题答案并转换为MarkDown文件

网友投稿 987 2022-05-29

大家好,我是四毛。

今天主要讲一下如何将某一个知乎问题的所有答案转换为本地MarkDown文件。

前期准备

python2.7

html2text

markdownpad(这里随意,只要可以支持md就行)

会抓包。。。。。

最重要的是你要有代理,因为知乎开始封IP了

1.什么是MarkDown文件

Markdown 是一种用来写作的轻量级「标记语言」,它用简洁的语法代替排版,而不像一般我们用的字处理软件 Word或 Pages 有大量的排版、字体设置。它使我们专心于码字,用「标记」语法,来代替常见的排版格式。例如此文从内容到格式,甚至插图,键盘就可以通通搞定了。

恩,上面是我抄的,哈哈。想多了解的可以看看这里。

2.为什么要将答案转为MarkDwon

因为。。。。。。懒,哈哈,开个玩笑。最重要的原因还是markdown看着比较舒服。平时写脚本的时候,也一直在思考一个问题,如何将一个文字与图片穿插的网页原始的保存下来呢。如果借助工具的话,那就很多了,CTRL+P  打印的时候,选择另存为PDF,或者搞个印象笔记,直接保存整个网页。那么,我们如何用爬虫实现呢?正好前几天看到了这个项目,仔细研究了一下,大受启发。

3.原理

用Python获取知乎问题答案并转换为MarkDown文件

原理说起来很简单:获取请求到的内容的BODY部分,然后重新构建一个HTML文件,接着利用html2text这个模块将其转换为markdown文件,最后对图片及标题按照markdown的格式做一些处理就好了。目前应用的场景主要是在知乎。

4.Show Code

4.1获取知乎答案

写代码的时候,主要考虑了两种使用场景。第一,获取某一特定答案的数据然后进行转换;第二,获取某一个问题的所有答案进行然后挨个进行转换,在这里可以 通过赞同数来对要获取的答案进行质量控制。

4.1.1、某一个特定答案的数据获取

url:https://www.zhihu.com/question/27621722/answer/48658220(前面那个是问题ID,后边的是答案ID)

这一数据的获取我这里分为了两个部分,第一部分请求上述网址,拿到答案主体数据以及赞同数,第二部分请求下面这个接口:

https://www.zhihu.com/api/v4/answers/48658220

为什么会这样?因为这个接口得到的答案正文数据不是完整数据,所以只能分两步了。

4.1.2、某一个特定答案的数据获取

这一个数据就可以通过很简单的方式得到了,接口如下:

https://www.zhihu.com/api/v4/questions/27621722/answers?sort_by=default&include=data%5B%2A%5D.is_normal%2Cis_collapsed%2Ccollapse_reason%2Cis_sticky%2Ccollapsed_by%2Csuggest_edit%2Ccomment_count%2Ccan_comment%2Ccontent%2Ceditable_content%2Cvoteup_count%2Creshipment_settings%2Ccomment_permission%2Cmark_infos%2Ccreated_time%2Cupdated_time%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%2Cupvoted_followees%3Bdata%5B%2A%5D.author.follower_count%2Cbadge%5B%3F%28type%3Dbest_answerer%29%5D.topics&limit=20&offset=3

返回的都是JSON数据,很方便获取。但是这里有一个地方需要注意,从这里面取的答案正文数据就是文本数据,不是一个完整的html文件,所以需要在构造一下。

4.1.2、保存的字段

author_name 回答用户名

answer_id  答案ID

question_id 问题ID

question_title  问题

vote_up_count  赞同数

create_time  创建时间

答案主体

4.2 Code

主脚本:zhihu.py

#!/usr/bin/env python # -*- coding: utf-8 -*- # Created by shimeng on 17-6-5 import os import re import json import requests import html2text from parse_content import parse   """ just for study and fun Talk is cheap show me your code """   class ZhiHu(object):     def __init__(self):          self.request_content = None       def request(self, url, retry_times=10):         header = {             'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36',             'authorization': 'oauth c3cef7c66a1843f8b3a9e6a1e3160e20',             'Host': 'www.zhihu.com'         }         times = 0         while retry_times>0:             times += 1             print 'request %s, times: %d' %(url, times)             try:                 ip = 'your proxy ip'                 if ip:                     proxy = {                         'http': 'http://%s' % ip,                         'https': 'http://%s' % ip                     }                     self.request_content = requests.get(url, headers=header, proxies=proxy, timeout=10).content             except Exception, e:                 print e                 retry_times -= 1             else:                 return self.request_content       def get_all_answer_content(self, question_id, flag=2):         first_url_format = 'https://www.zhihu.com/api/v4/questions/{}/answers?sort_by=default&include=data%5B%2A%5D.is_normal%2Cis_collapsed%2Ccollapse_reason%2Cis_sticky%2Ccollapsed_by%2Csuggest_edit%2Ccomment_count%2Ccan_comment%2Ccontent%2Ceditable_content%2Cvoteup_count%2Creshipment_settings%2Ccomment_permission%2Cmark_infos%2Ccreated_time%2Cupdated_time%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%2Cupvoted_followees%3Bdata%5B%2A%5D.author.follower_count%2Cbadge%5B%3F%28type%3Dbest_answerer%29%5D.topics&limit=20&offset=3'         first_url = first_url_format.format(question_id)         response = self.request(first_url)         if response:             contents = json.loads(response)             print contents.get('paging').get('is_end')             while not contents.get('paging').get('is_end'):                 for content in contents.get('data'):                     self.parse_content(content, flag)                 next_page_url = contents.get('paging').get('next').replace('http', 'https')                 contents = json.loads(self.request(next_page_url))         else:             raise ValueError('request failed, quit......')       def get_single_answer_content(self, answer_url, flag=1):         all_content = {}         question_id, answer_id = re.findall('https://www.zhihu.com/question/(\d+)/answer/(\d+)', answer_url)[0]           html_content = self.request(answer_url)         if html_content:             all_content['main_content'] = html_content         else:             raise  ValueError('request failed, quit......')           ajax_answer_url = 'https://www.zhihu.com/api/v4/answers/{}'.format(answer_id)         ajax_content = self.request(ajax_answer_url)         if ajax_content:             all_content['ajax_content'] = json.loads(ajax_content)         else:             raise  ValueError('request failed, quit......')           self.parse_content(all_content, flag, )       def parse_content(self, content, flag=None):         data = parse(content, flag)         self.transform_to_markdown(data)       def transform_to_markdown(self, data):         content = data['content']         author_name = data['author_name']         answer_id = data['answer_id']         question_id = data['question_id']         question_title = data['question_title']         vote_up_count = data['vote_up_count']         create_time = data['create_time']           file_name = u'%s--%s的回答[%d].md' % (question_title, author_name,answer_id)         folder_name = u'%s' % (question_title)           if not os.path.exists(os.path.join(os.getcwd(),folder_name)):             os.mkdir(folder_name)         os.chdir(folder_name)           f = open(file_name, "wt")         f.write("-" * 40 + "\n")         origin_url = 'https://www.zhihu.com/question/{}/answer/{}'.format(question_id, answer_id)         f.write("## 本答案原始链接: " + origin_url + "\n")         f.write("### question_title: " + question_title.encode('utf-8') + "\n")         f.write("### Author_Name: " + author_name.encode('utf-8') + "\n")         f.write("### Answer_ID: %d" % answer_id + "\n")         f.write("### Question_ID %d: " % question_id + "\n")         f.write("### VoteCount: %s" % vote_up_count + "\n")         f.write("### Create_Time: " + create_time + "\n")         f.write("-" * 40 + "\n")           text = html2text.html2text(content.decode('utf-8')).encode("utf-8")         # 标题         r = re.findall(r'\*\*(.*?)\*\*', text, re.S)         for i in r:             if i != " ":                 text = text.replace(i, i.strip())           r = re.findall(r'_(.*)_', text)         for i in r:             if i != " ":                 text = text.replace(i, i.strip())         text = text.replace('_ _', '')           # 图片         r = re.findall(r'!\((?:.*?)\)', text)         for i in r:             text = text.replace(i, i + "\n\n")           f.write(text)           f.close()     if __name__ == '__main__':     zhihu = ZhiHu()     url = 'https://www.zhihu.com/question/27621722/answer/105331078'     zhihu.get_single_answer_content(url)       # question_id = '27621722'     # zhihu.get_all_answer_content(question_id)

zhihu.py为主脚本,内容很简单,发起请求,调用解析函数进行解析,最后再进行保存。

解析函数脚本:parse_content.py

#!/usr/bin/env python # -*- coding: utf-8 -*- # Created by shimeng on 17-6-5 import time from bs4 import BeautifulSoup     def html_template(data):     # api content     html = '''                                    %s                                    ''' % data     return html     def parse(content, flag=None):     data = {}     if flag == 1:         # single         main_content = content.get('main_content')         ajax_content = content.get('ajax_content')           soup = BeautifulSoup(main_content.decode("utf-8"), "lxml")         answer = soup.find("span", class_="RichText CopyrightRichText-richText")           author_name = ajax_content.get('author').get('name')         answer_id = ajax_content.get('id')         question_id = ajax_content.get('question').get('id')         question_title = ajax_content.get('question').get('title')         vote_up_count = soup.find("meta", itemprop="upvoteCount")["content"]         create_time = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(ajax_content.get('created_time')))         else:         # all         answer_content = content.get('content')           author_name = content.get('author').get('name')         answer_id = content.get('id')         question_id = content.get('question').get('id')         question_title = content.get('question').get('title')         vote_up_count = content.get('voteup_count')         create_time = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(content.get('created_time')))           content = html_template(answer_content)         soup = BeautifulSoup(content, 'lxml')         answer = soup.find("body")       print author_name,answer_id,question_id,question_title,vote_up_count,create_time     # 这里非原创,看了别人的代码,修改了一下     soup.body.extract()     soup.head.insert_after(soup.new_tag("body", **{'class': 'zhi'}))       soup.body.append(answer)       img_list = soup.find_all("img", class_="content_image lazy")     for img in img_list:         img["src"] = img["data-actualsrc"]     img_list = soup.find_all("img", class_="origin_image zh-lightbox-thumb lazy")     for img in img_list:         img["src"] = img["data-actualsrc"]     noscript_list = soup.find_all("noscript")     for noscript in noscript_list:         noscript.extract()       data['content'] = soup     data['author_name'] = author_name     data['answer_id'] = answer_id     data['question_id'] = question_id     data['question_title'] = question_title     data['vote_up_count'] = vote_up_count     data['create_time'] = create_time       return data

parse_content.py主要负责构造新的html,然后对其进行解析,获取数据。

5.测试结果展示

恩,下面还有,就不截图了。

6.缺点与不足

下面聊一聊这种方法的缺点:

这种方法的最大缺点就是:

一定要联网!

一定要联网!

一定要联网!

因为。。。。。。 在md文件中我们只是写了个图片的网址,这就意味着markdown的编辑器帮我们去存放图片的服务器上对这个图片进行了获取,所以断网也就意味着你看不到图片了;同时也意味着如果用户删除了这张图片,你也就看不到了。

但是,后来我又发现在markdownpad中将文件导出为html时,即使是断网了,依然可以看到全部的内容,包括图片,所以如果你真的喜欢某一个答案,保存到印象笔记肯定是不错的选择,PDF直接保存也不错,如果是使用了这个方法,记得转为html最好。

还有一个缺点就是html2text转换过后的效果其实并不是特别好,还是需要后期在进行处理的。

7.总结

代码还有很多可以改进之处,欢迎大家与我交流:QQ:549411552 (注明来自静觅)

国际惯例:代码在这

收工。

爬虫 python

版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。

上一篇:Linux常用命令操作详解
下一篇:凡凡不“凡”
相关文章