Python网页爬虫制作DIY实际操作

Python网页爬虫制作DIY实际操作

Python网页爬虫在实际的使用中需要我们注意很多的地方，其实有的东西大家看着难但是在实际操作起来的话都很简单。下面我们就来学习下如何自己动手编写一个Python网页爬虫。

这个程序因为主页面链接到的页面都在同一个目录下，结构很简单，只有一层。因此写了一些硬编码做链接地址的分析。
代码如下：

#!/usr/bin/env python  
# -*- coding: GBK -*-  
import urllib  
from sgmllib import SGMLParser  
class URLLister(SGMLParser):  
def reset(self):  
SGMLParser.reset(self)  
self.urls = []  
def start_a(self, attrs):  
href = [v for k, v in attrs if k == 'href']  
if href:  
self.urls.extend(href)  
url = r'http://www.sinc.sunysb.edu/Clubs/buddhism/JinGangJi
ngShuoShenMo/' 
sock = urllib.urlopen(url)  
htmlSource = sock.read()  
sock.close()  
#print htmlSource  
f = file('jingangjing.html', 'w')  
f.write(htmlSource)  
f.close()  
mypath = r'http://www.sinc.sunysb.edu/Clubs/buddhism/JinGan
gJingShuoShenMo/' 
parser = URLLister()  
parser.feed(htmlSource)  
for url in parser.urls:  
myurl = mypath + url  
print "get: " + myurl  
sock2 = urllib.urlopen(myurl)  
html2 = sock2.read()  
sock2.close()  
# 保存到文件  
print "save as: " + url  
f2 = file(url, 'w')  
f2.write(html2)  
f2.close() 

以上就是对Python网页爬虫在编写过程中的详细介绍。