首页 > 编程 > Python > 正文

python编写爬虫小程序

2019-11-25 17:28:53
字体:
来源:转载
供稿:网友

起因

深夜忽然想下载一点电子书来扩充一下kindle,就想起来python学得太浅,什么“装饰器”啊、“多线程”啊都没有学到。
想到廖雪峰大神的python教程很经典、很著名。就想找找有木有pdf版的下载,结果居然没找到!!CSDN有个不完整的还骗走了我一个积分!!尼玛!!
怒了,准备写个程序直接去爬廖雪峰的教程,然后再html转成电子书。

过程

过程很有趣呢,用浅薄的python知识,写python程序,去爬python教程,来学习python。想想有点小激动……
果然python很是方便,50行左右就OK了。直接贴代码:

# coding:utf-8import urllibdomain = 'http://www.liaoxuefeng.com'      #廖雪峰的域名path = r'C:/Users/cyhhao2013/Desktop/temp//'  #html要保存的路径# 一个html的头文件input = open(r'C:/Users/cyhhao2013/Desktop/0.html', 'r')head = input.read()# 打开python教程主界面f = urllib.urlopen("http://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000")home = f.read()f.close()# 替换所有空格回车(这样容易好获取url)geturl = home.replace("/n", "")geturl = geturl.replace(" ", "")# 得到包含url的字符串list = geturl.split(r'em;"><ahref="')[1:]# 强迫症犯了,一定要把第一个页面也加进去才完美list.insert(0, '/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000">')# 开始遍历url Listfor li in list:  url = li.split(r'">')[0]  url = domain + url       #拼凑url  print url  f = urllib.urlopen(url)  html = f.read()  # 获得title为了写文件名  title = html.split("<title>")[1]  title = title.split(" - 廖雪峰的官方网站</title>")[0]  # 要转一下码,不然加到路径里就悲剧了  title = title.decode('utf-8').replace("/", " ")  # 截取正文  html = html.split(r'<!-- block main -->')[1]  html = html.split(r'<h4>您的支持是作者写作最大的动力!</h4>')[0]  html = html.replace(r'src="', 'src="' + domain)  # 加上头和尾组成完整的html  html = head + html+"</body></html>"  # 输出文件  output = open(path + "%d" % list.index(li) + title + '.html', 'w')  output.write(html)  output.close()

简直,人生苦短我用python啊!

以上所述就是本文的全部内容了,希望大家能够喜欢。

发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表