用Python清理收藏夹里已失效的网站

失效的书签们

我们日常浏览网站的时候，时不时会遇到些新奇的东西（ 你懂的.jpg ），于是我们就默默的点了个收藏或者加书签。然而当我们面对成百上千的书签和收藏夹的时候，总会头疼不已……

尤其是昨天还在更新的程序设计博客，今天就挂了永不更新。或者是昨天看的起劲的电影网站，今天直接404。失效页面这么多，每次我打开才知道失效了，并且需要手动删除，这能是一个程序员干的事情吗？

可是无论是Google浏览器还是国内浏览器，最多也就提供一个对于收藏夹的备份服务，那只能Python走起了。

Python支持的收藏夹文件格式

对于收藏夹提供的支持很少，主要还是因为收藏夹藏在浏览器里面，我们只能手动导出htm文件进行管理

内容比较简单，对前端没什么了解的我，也可以很明显看出其中的树形结构和内在逻辑。

固定格式 网址 固定格式 页面名 固定格式

很简单的想到了正则匹配，其中有两个子串。提取出来再挨个访问，看看哪个失效了，就删除，就能获得清理后的收藏夹了。

读取收藏夹文件

path="C:\\Users\\XU\\Desktop"fname="bookmarks.html"os.chdir(path)bookmarks_f=open(fname,"r+",encoding='UTF-8')booklists=bookmarks_f.readlines()bookmarks_f.close()

因为对于前端的不熟悉，这个导出的收藏夹可以抽象的分成

• 结构代码
• 保存网页书签的关键代码

其中结构代码我们不能动，要原封不动的保留，而保存网页书签的关键代码，我们要提取内容并且进行判断保留和删除。

所以这里采用readlines函数，每行读取，单独判断。

正则匹配

pattern=r'HREF="(.*?)".*?>(.*?)</A>'whilelen(booklists)>0:bookmark=booklists.pop(0)detail=re.search(pattern,bookmark)

如果是关键代码：提取出的子串在 detail.group(1) 和 detail.group(2) 里面

而如果是结构代码：detail == None

访问页面

importrequestsr=requests.get(detail.group(1),timeout=500)

编代码尝试之后发现会有这四种情况

• r.status_code == requests.codes.ok
• r.status_code==404
• r.status_code!=404 && 无法访问 （可能是屏蔽爬虫，建议保留）
• requests.exceptions.ConnectionError

类似知乎、简书基本都反爬了，所以简单的get还不能有效访问，细节不值得大费周章，直接保留就好。而error，直接用try抛出异常就好，不然程序会停止运行。

添加逻辑后：

whilelen(booklists)>0:bookmark=booklists.pop(0)detail=re.search(pattern,bookmark)ifdetail:#print(detail.group(1)+"----"+detail.group(2))try:#访问r=requests.get(detail.group(1),timeout=500)#如果可则添加ifr.status_code==requests.codes.ok:new_lists.append(bookmark)print("ok------保留："+detail.group(1)+""+detail.group(2))else:if(r.status_code==404):print("不可访问删除："+detail.group(1)+""+detail.group(2)+'错误码'+str(r.status_code))else:print("其他原因保留："+detail.group(1)+""+detail.group(2)+'错误码'+str(r.status_code))new_lists.append(bookmark)except:print("不可访问删除："+detail.group(1)+""+detail.group(2))#new_lists.append(bookmark)else:#没匹配到是结构语句new_lists.append(bookmark)

程序执行情况

导出htm

bookmarks_f=open('new_'+fname,"w+",encoding='UTF-8')bookmarks_f.writelines(new_lists)bookmarks_f.close()

导入浏览器

实际应用于我的浏览器

确实有很多电影网都失效了，通过Python能够一键清理其中无法访问的书签。人生苦短，Python 的确可以让生活更高效~