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'<title>(.*?)</title>'

# 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

        f.write(bytes(file_content, encoding = "utf8"))

#   获取文章标题

def getTitle(file_content):

    linkre = re.search(REX_TITLE,file_content)

    if(linkre):

        print('获取文章标题：'+linkre.group(1))

        return linkre.group(1)

 

#   爬虫用到的两个数据结构，队列和集合

queue = deque()

visited = set()

#   初始化种子链接 

queue.append(BASE_URL)

count = 0

 

while queue:

  url = queue.popleft()  # 队首元素出队

  visited |= {url}  # 标记为已访问

 

  print('已经抓取: ' + str(count) + '   正在抓取 <---  ' + url)

  count += 1

  urlop = urllib.request.urlopen(url)

  # 只处理html链接

  if 'html' not in urlop.getheader('Content-Type'):

    continue

 

  # 避免程序异常中止

  try:

    data = urlop.read().decode('utf-8')

    title=getTitle(data);

    # 保存文件

    saveHtml(title,data)

  except:

    continue

 

  # 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

  linkre = re.compile(REX_URL)

  for sub_link in linkre.findall(data):

      sub_url=BASE_URL+sub_link+SUFFIX;

# 已经访问过，不再处理

      if sub_url in visited:

          pass

      else:

          # 设置已访问

          visited |= {sub_url}

          # 加入队列

          queue.append(sub_url)

          print('加入队列 --->  ' + sub_url)