python爬虫Pragmatic系列I
By 白熊花田(http://blog.csdn.net/whiterbear)
说明：
我将在这个系列介绍如何利用python写一个爬虫，并用爬虫去做一些有实际意义的事情，be pragmatic.
最终目标：
抓取赶集网上担保公司的信息，分析统计后保存到excel中。
下载赶集网上每一家担保公司的信息，记录公司的名称，联系电话，服务范围等基本信息并保存到Excel中。
本次目标：
学习如何下载一个网页并进行简单的分析。
下载网页：
下载百度首页（未登录状态下）。其中的python基础知识学习可以点这里：Python入门，python的urllib学习可以点击这里：urllib中函数的用法，文件读写学习可以点击这里：python文件读写。
代码：
# -*-coding:UTF-8 -*-
from urllib import urlretrieve
def getWebPage(url):
'''
根据给定的url下载网页到本地
'''
try:
'''
urlretrieve函数会将url定位的网页下载到临时文件中
'''
revtal = urlretrieve(url)[0]
except IOError:
revtal = None
if revtal:#如果revtal不为空的话，说明网页下载成功了，那么我们就可以去处理它了
saveWebPage(revtal)
def saveWebPage(webpage):
'''
将下载的网页保存到file.txt文件中
'''
f = open(webpage)#将下载的临时文件打开
lines = f.readlines()#将下载的网页信息保存到lines中
f.close()#关闭文件对象
fobj = open("file.txt",'w')#以写的方式打开file.txt,如果file.txt不存在，那么将创建一个
fobj.writelines(lines)#将网页信息写入file.txt中
fobj.close()#关闭文件对象
if __name__ == '__main__':
getWebPage(url='http://www.baidu.com')
运行结果：
产生一个91kb大小的baidu.txt文件，文件内容为百度首页html代码。
解析网页：
解析网页需要用到python的re模块，即正则表达式模块。你可以点击正则表达式30分钟入门这里学习正则表达式，点击re模块函数学习正则表达式在python中的使用。
百度首页（未登录状态下）上有着“新闻”，“hao123”，“地图”，“视频”，“贴吧”这样五个链接。我们设法取出这五个链接的值。
代码：
# -*- coding:utf-8 -*-
import re
def getNames():
'''
取出百度首页的五个链接值
'''
f = open("baidu.txt",'r')#打开刚刚获取的百度首页文件
lines = f.readlines()#将文件内容读取到lines中
f.close()#关闭文件对象
p = r'\bclass="mnav">(.*?)<'#匹配链接值的正则表达式，括号部分是我们要取出的分组
#我们对每一行进行正则表达式查找，只有一行有，如果返回的list不为空，说明找到了
for line in lines:
if re.findall(p,line) <> []:
result = re.findall(p,line)
#我们打印出来看看
for word in result:
print word,
if __name__ == '__main__':
getNames()
运行结果：
未完待续。