Python: 一个python爬虫小程序

python scott 302℃ 0评论

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:

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
#  coding:utf-8
import  urllib
domain  = ' http://www.liaoxuefeng.com '  # 廖雪峰的域名
path = r' C:Userscyhhao2013Desktoptemp\ '  # html要保存的路径
#  一个html的头文件
input = open(r' C:Userscyhhao2013Desktop\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 List
for  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!

最后

附上HTML转epub电子书格式在线链接: html.toepub.com

以及廖雪峰的教程: 链接廖雪峰的Git教程也非常非常的不错哦~

顺便扩充一下自己的→_→ GitHub(爬下来的html也在github上哦~)

以及个人博客: http://blog.zhusun.in/cyhhao

原文来自: 一个python爬虫小程序

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

原文:http://www.cnblogs.com/cyhhao/p/4501022.html

转载请注明:osetc.com » Python: 一个python爬虫小程序

喜欢 (0)or分享 (0)
发表我的评论
取消评论

表情

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址