python編寫爬蟲小程序

 　　我們可以通過python 來實現這樣一個簡單的爬蟲功能，把我們想要的代碼爬取到本地。下面就看看如何使用python來實現這樣一個功能。

　　起因

　　深夜忽然想下載一點電子書來擴充一下kindle，就想起來python學得太淺，什麼“裝飾器”啊、“多線程”啊都沒有學到。

　　想到廖雪峰大神的python教程很經典、很著名。就想找找有木有pdf版的下載，結果居然沒找到!!CSDN有個不完整的還騙走了我一個積分!!尼瑪!!

　　怒了，准備寫個程序直接去爬廖雪峰的教程，然後再html轉成電子書。

　　過程

　　過程很有趣呢，用淺薄的python知識，寫python程序，去爬python教程，來學習python。想想有點小激動……

　　果然python很是方便，50行左右就OK了。直接貼代碼：

　　?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 # coding:utf-8 import urllib   domain = 'http://www.liaoxuefeng.com' #廖雪峰的域名 path = r'C:Userscyhhao2013Desktoptemp' #html要保存的路徑   # 一個html的頭文件 input = open(r'C:Userscyhhao2013Desktop.html', 'r') head = input.read()   # 打開python教程主界面 f = urllib.urlopen("http://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000") home = f.read() f.close()   # 替換所有空格回車（這樣容易好獲取url） geturl = home.replace("n", "") geturl = geturl.replace(" ", "")   # 得到包含url的字符串 list = geturl.split(r'em;"><ahref="')[1:]   # 強迫症犯了，一定要把第一個頁面也加進去才完美 list.insert(0, '/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000">')   # 開始遍歷url List for li in list: url = li.split(r'">')[0] url = domain + url #拼湊url print url f = urllib.urlopen(url) html = f.read()   # 獲得title為了寫文件名 title = html.split("<title>")[1] title = title.split(" - 廖雪峰的官方網站</title>")[0]   # 要轉一下碼，不然加到路徑裡就悲劇了 title = title.decode('utf-8').replace("/", " ")   # 截取正文 html = html.split(r'<!-- block main -->')[1] html = html.split(r'<h4>您的支持是作者寫作最大的動力！</h4>')[0] html = html.replace(r'src="', 'src="' + domain)   # 加上頭和尾組成完整的html html = head + html+"</body></html>"   # 輸出文件 output = open(path + "%d" % list.index(li) + title + '.html', 'w') output.write(html) output.close()

　　簡直，人生苦短我用python啊!

　　以上所述就是本文的全部內容了，希望大家能夠喜歡。