一個python爬蟲小程序

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，什么“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，然后再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：

# coding:utf-8
import urllib

domain = 'http://www.liaoxuefeng.com'           #廖雪峰的域名
path = r'C:\Users\cyhhao2013\Desktop\temp\\'    #html要保存的路徑

# 一個html的頭文件
input = open(r'C:\Users\cyhhao2013\Desktop\0.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，不然加到路徑里就悲劇了
    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！

最后

附上HTML轉epub電子書格式在線鏈接：html.toepub.com

以及廖雪峰的教程：鏈接 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~）

以及個人博客：http://blog.zhusun.in

原文來自：一個python爬蟲小程序

 

by:cyhhao http://blog.zhusun.in