今天来讲如何利用Python爬虫下载文章，拿韩寒的博客为例来一步一步进行详细探讨。。。

韩寒的博客地址是：http://blog.sina.com.cn/s/articlelist_1191258123_0_1.html

可以看出左边是文章列表，而且不止一页，我们先从最简单的开始，先对一篇文章进行下载，再研究对一页所有的文

章进行下载，最后再研究对所有的文章下载。

第一步：对一篇文章下载

    我们打开韩寒的博客，然后查看源码，可以看出每一篇文章的列表源码为：

    <span class="atc_title"><a title="东望洋" target="_blank"  

    href=http://www.mamicode.com/"http://blog.sina.com.cn/s/blog_4701280b0102eck1.html">东望洋</a></span>

    我们主要是想提取出中间绿色部分的URL，然后找到这篇文章的正文进行分析，然后提取进行下载。首先，假

    设已经得到这个字符串，然后研究如何提取这个URL，观察发现，对于所有的这类字符串，都有一个共同点，那

    就是都含有子串‘<a title=‘，‘href=http://www.mamicode.com/‘和‘.html‘，那么我们可以用最笨的方式---查找子串进行定界。

    在Python中有一个方法叫做find()，是用来查找子串的，返回子串出现的位置，那么，可以用如下代码来提

    取URL，并读取文件和下载文件。

#encoding:utf-8
import urllib2

def getURL(str):
    start = str.find(r‘href=http://www.mamicode.com/‘)>

 
 
第二，三步：下载所有的文章
    
    在这一步中，我们要提取第一页所有的文章的URL和标题，不再采用上面第一步的find()函数，毕竟这个函数
    缺乏灵活性，那么采用正则表达式最好。
 
    首先采集数据，观察发现，所有文章的URL都符合
 
    <a title="..." target="_blank" href=http://www.mamicode.com/"http://blog.sina.com.cn....html">
 
    这一规则，所以我们可以设置正则表达式
 
    r‘<a title=".+" target="_blank" href=http://www.mamicode.com/"(http://blog.sina\.com.\cn.+.\html)">‘
 
      这样就容易了，下面是爬取韩寒所有文章，并在本地保存为.html文件。
 
代码：
#coding:utf-8
import re
import urllib2

def getPageURLs(url):
    text = urllib2.urlopen(url).read()
    pattern = r‘<a title=".+" target="_blank" href=http://www.mamicode.com/"(http://blog.sina/.com./cn.+./html)">‘>

 
由于我把文章的标题用一个数字来命名，似乎不是很完美，还有两个问题没有解决，怎么提取文章的标题？，这是涉
及到中文提取，怎么把文章的内容提取出来保存为txt格式的文件？
 
如果能解决上面的两个问题，那么才算是真正地用网络爬虫技术实现了对韩寒博客的下载。
 
 
（1）提取文章的标题
 
   为了方便操作，我们用BeautifulSoup来分析网页，对html文本我们提取title之间的内容为
 
    <title>东望洋_韩寒_新浪博客</title>
 
   对这个强制转化为字符串，然后进行切片操作，大致取string[7 : -28]，得到了文章的标题。
from bs4 import BeautifulSoup
import re

for i in xrange(1,317):
    filename = ‘HanhanArticle/‘ + str(i) + ‘.html‘
    html = open(filename,‘r‘)
    soup = BeautifulSoup(html)
    html.close()
    title = soup.find(‘title‘)
    string = str(title)
    article = string[7 : -28].decode(‘utf-8‘)
    if article[0] != ‘.‘:
        print article

 
但是有些标题直接的内容还需要处理，比如&lt;&lt;ONE IS ALL&gt;&gt;，本来应该解释为《ONE IS ALL》
还有比如中央电视台很*很**，这里的**在文件中不能作为名称字符。
#coding:utf-8
import re
import urllib2
from bs4 import BeautifulSoup

def getPageURLs(url):
    text = urllib2.urlopen(url).read()
    pattern = r‘<a title=".+" target="_blank" href=http://www.mamicode.com/"(http://blog.sina/.com/.cn.+/.html)">‘>
 
提取正文部分后续再处理。。。