一個python爬蟲小程式

標籤：

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，準備寫個程式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程式，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：

# coding:utf-8import urllibdomain = ‘http://www.liaoxuefeng.com‘           #廖雪峰的網域名稱path = r‘C:\Users\cyhhao2013\Desktop\temp\\‘    #html要儲存的路徑# 一個html的標頭檔input = open(r‘C:\Users\cyhhao2013\Desktop\0.html‘, ‘r‘)head = input.read()# 開啟python教程主介面f = urllib.urlopen("http://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000")home = f.read()f.close()# 替換所有空格斷行符號（這樣容易好擷取url）geturl = home.replace("\n", "")geturl = geturl.replace(" ", "")# 得到包含url的字串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">‘)# 開始遍曆url Listfor 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為了寫檔案名稱    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("/", " ")    # 截取本文    html = html.split(r‘<!-- block main -->‘)[1]    html = html.split(r‘<h4>您的支援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>"    # 輸出檔案    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！

最後

附上HTML轉epub電子書格式線上連結：html.toepub.com

以及廖雪峰的教程：連結 廖雪峰的Git教程也非常非常的不錯哦~

順便擴充一下自己的→_→GitHub（爬下來的html也在github上哦~）

以及個人部落格：http://blog.zhusun.in/cyhhao

原文來自：一個python爬蟲小程式

 

by:cyhhao http://blog.zhusun.in/cyhhao/

一個python爬蟲小程式