相信很多人都喜欢在简书上写文章，但是诸如很多平台或者博客平台一样，平台的检查机制很多时候会误杀一批人，导致无故账号被封。虽然事后可以交涉解封，但其中各种滋味唯有经历过的人才能感受到。于是大家最好养成经常备份的好习惯，还好简书的后台有一个下载所有文章的按钮。虽然可以浏览器打开直接查看，可惜的是，文章的图片还是线上的 ，并没有备份到本地就仍然会有丢失的可能。 小马即兴搞了一个入门python小爬虫脚本来爬取文章图片保存到本地，妈妈再也不用担心文章丢失了。小马也是初学者，分享仅供参考，但希望能抛砖引玉，共同进步。
思路分析
遇到问题就想办法解决喽，我们从简书后台下载下来的所有文章是一个rar压缩包，解压后是按文集为文件夹的一堆html文件，如果你用的markdown编辑则是一堆md文件。那么问题来了，我们的文章是下载下来了，但是文章中的图片还是只是个远程链接，图片没有保存在本地。于是，小马打开了一个html文件，发现就是一个静态html文件，很好，我们可以爬取到文章的每个图片链接，下载到本地。这时候python爬虫就登场了。
python爬虫
python是什么？按照老惯例，我们先来看一下百科怎么说：
Python是一种跨平台的计算机程序设计语言。 是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。
哎呀，又是一顿商业互吹。咋也不管了，Lu起键盘就是干。我们首先要写一个脚本，让其遍历本地备份文章的整个目录文件夹和文件，然后打开文件，读取每一行文件内容，然后对每一行的文件内容进行正则匹配，匹配到图片的元素，然后把地址挖出来进行下载。爬虫爬一遍完文件自然图片也就下完了，为了后续辨认我们会把图片放在对应文章名称的文件夹中，并按备份的时间来创建文件夹保存图片。
我们要跑起python，就要先安装，于是安装就不赘述了，基本就是傻瓜安装。安装完注意把路径注册到系统变量中，这样就可以全局运行python命令了。我们来跑一个简单的实例。
好了，我们的武器已经生产好了，接下来就是战斗了。我们看到，我们下来的包解压之后目录是类似这样。
好了，我们来遍历这个文件夹处理。小马遍历的时候为了调试直接输出文章标题，但因为有中文乱码导致IO错误，执行报错。
解决办法就是设置窗口字符集，也是醉醉的。如下处理后运行正常。
当然，输出文件名并不是我们的最终目的，我们要下载所有图片到本地呢。于是下面的代码最终出炉，下例中只针对HTML里的图片正则，md文件的同理更换正则式子即可。后续小马会托管到git供有些小伙伴入门参考。
好了，我们cmd到脚本的所在目录执行脚本，直接完成了所有文章图片的本地备份。
查看图片下载效果。
Python脚本怎么用
打完收工。对于大多数人可能不太感兴趣它是怎么诞生地，只是需要这么一个工具来爽歪歪。小马后续打算封装成小工具供大家下载直接运行使用。但目前还是顺手说下拿到这个脚本怎么跑，麻烦是麻烦了点，但很助于理解。以window为例。
1、官网下载对应版本Python并傻瓜式安装，注册安装目录到系统环境变量。
2、简书后台，一键下载你的文章压缩包，解压，重命名为articlebak。下载上面我们写的脚本文件imgbakScript.py，放在与你的文章文件夹同目录下，就像下面这样。
3、你需要打开cmd，到目录一下敲命令python imgbakScript.py即可。如下：
好了，你会发现同级目录下多了个imgbak文件夹，里面就是所有文章的图片被下到本地了。
就到这吧，需要脚本源码文件的也可以直接call小马（点这里下载）。不到之处欢迎指正，拜拜。
相关文献：
分布式爬虫（URL队列分配给多个机器去爬取）
python和go的区别（go需要bulid编译，go比py快；py适合web和科学数据，库丰富，go更像c的升级版，系统语言；py没有内置并发机制go有）
原创文章，未经允许请勿转载。
