Python: 一个python爬虫小程序

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-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.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