1 # -*- coding: UTF-8 -*- 
 2 import re
 3 import urllib2
 4 
 5 from collections import deque
 6 
 7 # 保存文件的后缀
 8 SUFFIX=‘.html‘
 9 # 提取文章标题的正则表达式
10 REX_TITLE=r‘<title>(.*?)</title>‘
11 # 提取所需链接的正则表达式
12 REX_URL=r‘/jdbc/(.+?).html‘
13 # 种子url，从这个url开始爬取
14 BASE_URL=‘http://www.yiibai.com/jdbc/‘
15 
16 
17 # 将获取到的文本保存为html文件
18 def saveHtml(file_name,file_content):
19 #    注意windows文件命名的禁用符，比如 /
20     with open(file_name.replace(‘/‘, ‘_‘)+SUFFIX,"wb") as f:
21 #   写文件用bytes而不是str，所以要转码
22         f.write(file_content)
23 #   获取文章标题
24 def getTitle(file_content):
25     linkre=re.search(REX_TITLE,file_content)
26     if(linkre):
27         print (‘获取文章主题:‘+linkre.group(1))
28         return linkre.group(1)
29  
30 #   爬虫用到的两个数据结构，队列和集合
31 queue=deque()
32 visited=set()
33 #   初始化种子链接 
34 queue.append(BASE_URL)
35 count=0
36  
37 while queue:
38     url=queue.popleft()  # 队首元素出队
39     visited |= {url}  # 标记为已访问
40  
41     print(‘已经抓取: ‘+ str(count)+‘   正在抓取 <---  ‘+url)
42     count += 1
43     urlop=urllib2.urlopen(url)
44 # 只处理html链接
45     if ‘html‘ not in urlop.headers.getheader(‘Content-Type‘):
46         continue
47 # 避免程序异常中止
48     try:
49         data=http://www.mamicode.com/urlop.read()
50         title=getTitle(data).decode(‘utf-8‘);
51     # 保存文件
52         saveHtml(title,data)
53     except:
54         continue
55  
56 # 正则表达式提取页面中所有链接, 并判断是否已经访问过, 然后加入待爬队列
57     linkre = re.compile(REX_URL)
58     for sub_link in linkre.findall(data):
59         sub_url=BASE_URL+sub_link+SUFFIX;
60 # 已经访问过，不再处理
61         if sub_url in visited:
62             pass
63         else:
64         # 设置已访问
65             visited |= {sub_url}
66         # 加入队列
67             queue.append(sub_url)
68             print(‘join the quene--->  ‘+sub_url)