python自动发布文章到wordpress

这篇是Bigway同学的投稿，一个用py实现wp自动发文的小脚本

解决思路

1、利用post向wordpress提交表单
2、通过wordpress_xmlrpc模块，有轮子不用想干啥
3、通过mysqldb直接插入数据库，有服务器、不需远程，直接把py脚本放在服务器跑

我们这次要用轮子拼一台摩托车！，宝马、、自己动手吧

开始动手：

需自行安装的模块requests，xmlrpc；windows系统、linux安装如下，土豪随意：

pip install requests
pip install python-wordpress-xmlrpc

caiji.py

#encoding=utf-8
'''练手可以找wp门户来采集，这个脚本就是针对wp门户来做下手采集的'''
import re,requests,time,random,urllib,threading
from wordpress_xmlrpc import Client, WordPressPost
from wordpress_xmlrpc.methods.posts import GetPosts, NewPost

'''登录'''
try:
    wp=Client('http://www.example.com/xmlrpc.php','wp的账号','wp的密码')
except Exception, e:
    wp=Client('http://www.example.com/xmlrpc.php','wp的账号','wp的密码')
post=WordPressPost()

'''针对单站url重复采集问题'''
f=open('url.txt','a+')
urls=f.read()
url_list=[m.strip() for m in open('url.txt').readlines()]
daili_list=[]

'''过滤html标签'''
def filter_tags(htmlstr):
    re_cdata=re.compile('//<![CDATA[[^>]*//]]>',re.I) #匹配CDATA
    re_script=re.compile('<s*script[^>]*>[^<]*<s*/s*scripts*>',re.I)#Script
    re_style=re.compile('<s*style[^>]*>[^<]*<s*/s*styles*>',re.I)#style    re_br=re.compile('<brs*?/?>')#处理换行
    re_br=re.compile('<br />')
    re_h=re.compile('</?w+[^>]*>')#HTML标签
    re_comment=re.compile('<!--[^>]*-->')#HTML注释
    s=re_cdata.sub('',htmlstr)#去掉CDATA
    s=re_script.sub('',s) #去掉SCRIPT
    s=re_style.sub('',s)#去掉style
    s=re_br.sub('n',s)#将br转换为换行
    s=re_h.sub('',s) #去掉HTML 标签
    s=re_comment.sub('',s)#去掉HTML注释
    blank_line=re.compile('n+')#去掉多余的空行
    s=blank_line.sub('n',s)
    return s

'''轮换user-agent'''
def getUA():
    uaList = [
    'Mozilla/4.0+(compatible;+MSIE+6.0;+Windows+NT+5.1;+SV1;+.NET+CLR+1.1.4322;+TencentTraveler)',
    'Mozilla/4.0+(compatible;+MSIE+6.0;+Windows+NT+5.1;+SV1;+.NET+CLR+2.0.50727;+.NET+CLR+3.0.4506.2152;+.NET+CLR+3.5.30729)',
    'Mozilla/5.0+(Windows+NT+5.1)+AppleWebKit/537.1+(KHTML,+like+Gecko)+Chrome/21.0.1180.89+Safari/537.1',
    'Mozilla/4.0+(compatible;+MSIE+6.0;+Windows+NT+5.1;+SV1)',
    'Mozilla/5.0+(Windows+NT+6.1;+rv:11.0)+Gecko/20100101+Firefox/11.0',
    'Mozilla/4.0+(compatible;+MSIE+8.0;+Windows+NT+5.1;+Trident/4.0;+SV1)',
    'Mozilla/4.0+(compatible;+MSIE+8.0;+Windows+NT+5.1;+Trident/4.0;+GTB7.1;+.NET+CLR+2.0.50727)',
    'Mozilla/4.0+(compatible;+MSIE+8.0;+Windows+NT+5.1;+Trident/4.0;+KB974489)',
    'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.101 Safari/537.36',
    'Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.101 Safari/537.36',
    ]
    ua = random.choice(uaList)
    return ua

'''提取正则'''
def search(re_url,html):
    re_Data=re.findall(re_url,html)
    if re_Data:
        return re_Data[0]
    else:
        return 'no'

'''轮换ip'''
def ip():
    for x in open('daili.txt'):
        x = x.strip()
        daili_list.append(x)
    newip = random.choice(daili_list)
    return newip

'''获取html'''
def gethtml(url,headers):
    while 1:
        try:
            newip=ip()  
            proxies={"http":"http://%s"%newip.strip()}  
            pages=requests.post(url,headers,proxies,timeout=10)
            html=pages.content
            code=pages.status_code
            if '404' '302 Found' in html or code != 200 in html:
                print u'代理失效重试'
                continue
            elif 'verify' in html:
                print u'出验证码，重试'
                continue
            else:
                return html
        except Exception, e:
            # print e
            continue

'''正则用以提取列表页上的url，需根据实际情况来调整'''
re_url=re.compile(r'<a href="(http://www.example.com/.*?d+.html)"')

'''正则用以提取内页上的title和正文内容content，当然也可以使用readability模块，正则需根据实际情况做修改'''
re_title_content=re.compile(r'<h1 class="entry-title">(.*?)</h1>[sS]*?<div class="entry-content">([sS]*?)<div class="clear">')

'''成功通过wordpress-xmlrpc模块自动发布文章到wordpress'''
def getData(url):
    headers={'User-Agent':'%s'%getUA(),}  
    html=gethtml(url,headers)
    re_Data=re.findall(re_url,html)
    mutex.acquire()
    for i in re_Data:
        i=i.strip()
        print i
        if i not in url_list and i not in urls:
            url_list.append(i)
            f.write(i+'n')
            page=gethtml(i,headers)
            page_Data=re.findall(re_title_content,page)
            for n in page_Data:
                # print type(n)
                try:
                    title=n[0]
                    content=filter_tags(n[1]) 
                except:
                    title=0
                    content=0
            if title and content:
                # print title,content
                '''发布到wp'''
                post.title=title
                post.content=content
                post.post_status = 'publish'
                wp.call(NewPost(post))
                print 'Updates'
            else:
                pass
        else:
            print 'Noposts updates'
            continue       
    mutex.release()

def getRange(l, r):
    for i in url_list[l:r]:
        getData(i)

'''将列表页放到list的数据类型当中'''
url_list = []
for line in range(1,15):
    line = 'http://www.example.com/page/%d'%line
    word = line.strip()
    url_list.append(word)

'''多线程'''
totalThread = 5 
gap = (len(url_list) - 1) / totalThread   
mutex = threading.Lock()
for i in range(1, len(url_list),gap): 
    t = threading.Thread(target=getRange,args=(i, i+gap,))
    t.start()

f.close()

设置采集内容到哪个默认目录，可以在wp后台设置，从代码上做修改也可以；

具体可以看看xmlrpc官方文档：http://python-wordpress-xmlrpc.readthedocs.io/en/latest/overview.html

另外可以通过命令crontab -e 让脚本按需自动跑起来！