python爬本机html文件_Python3爬虫之爬取某一路径的所有html文件

要离线下载易百教程网站中的所有关于Python的教程，需要将Python教程的首页作为种子url：http://www.yiibai.com/python/，然后按照广度优先(广度优先，使用队列；深度优先，使用栈)，依次爬取每一篇关于Python的文章。为了防止同一个链接重复爬取，使用集合来限制同一个链接只处理一次。

使用正则表达式提取网页源码里边的文章标题和文章url，获取到了文章的url，使用Python根据url生成html文件十分容易。

import re

import urllib.request

import urllib

from collections import deque

# 保存文件的后缀

SUFFIX='.html'

# 提取文章标题的正则表达式

REX_TITLE=r'

(.*?)'

# 提取所需链接的正则表达式

REX_URL=r'/python/(.+?).html'

# 种子url，从这个url开始爬取

BASE_URL='http://www.yiibai.com/python/'

# 将获取到的文本保存为html文件

def saveHtml(file_name,file_content):

#    注意windows文件命名的禁用符，比如 /

with open (file_name.replace('/','_')+SUFFIX,"wb") as f:

#   写文件用bytes而不是str，所以要转码