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'<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)