摘自：https://www.jb51.net/article/136941.htm
网络爬虫不仅需要能够抓取HTML中的敏感信息，也需要有抓取其他类型文档的能力这篇文章主要为大家汇总了python爬取各类文档方法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
HTML文档是互联网上的主要文档类型，但还存在如TXT、WORD、Excel、PDF、csv等多种类型的文档。网络爬虫不仅需要能够抓取HTML中的敏感信息，也需要有抓取其他类型文档的能力。下面简要记录一些个人已知的基于python3的抓取方法，以备查阅。
1.抓取TXT文档
在python3下，常用方法是使用urllib.request.urlopen方法直接获取。之后利用正则表达式等方式进行敏感词检索。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
|
### Reading TXT doc ###
from
urllib.request
import
urlopen
from
urllib.error
import
URLError,HTTPError
import
re
try
:
except
(URLError,HTTPError) as e:
print
(
"Errors:\n"
)
print
(e)
#print(textPage.read())
text
=
str
(textPage.read())
#下面方法用正则匹配含1805的句子
pattern
=
re.
compile
(
"\..*1805(\w|,|\s|-)*(\.)"
)
#不完美，简单示例
match
=
pattern.search(text)
if
match
is
not
None
:
print
(match.group())
#下面方法不用正则。先用.将句集分片，之后就可遍历了。
ss
=
text.split(
'.'
)
key_words
=
"1805"
words_list
=
[x.lower()
for
x
in
key_words.split()]
for
item
in
ss:
if
all
([word
in
item.lower()
and
True
or
False
for
word
in
words_list]):
print
(item)
|
上面的方法是已知目标网页为txt文本时的抓取。事实上，在自动抓取网页时，必须考虑目标网页是否为纯文本，用何种编码等问题。
如果只是编码问题，可以简单使用print(textPage.read(),'utf-8')等python字符处理方法来解决，如果抓取的是某个HTML，最好先分析，例如：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
from
urllib.request
import
urlopen
from
urllib.error
import
URLError,HTTPError
from
bs4
import
BeautifulSoup
try
:
except
(URLError,HTTPError) as e:
print
(e)
try
:
bsObj
=
BeautifulSoup(html,
"html.parser"
)
content
=
bsObj.find(
"div"
,{
"id"
:
"mw-content-text"
}).get_text()
except
AttributeError as e:
print
(e)
meta
=
bsObj.find(
"meta"
)
#print(bsObj)
if
meta.attrs[
'charset'
]
=
=
'UTF-8'
:
content
=
bytes(content,
"UTF-8"
)
print
(
"-----------------UTF-8--------------"
)
print
(content.decode(
"UTF-8"
))
if
meta.attrs[
'charset'
]
=
=
'iso-8859-1'
:
content
=
bytes(content,
"iso-8859-1"
)
print
(
"--------------iso-8859-1------------"
)
print
(content.decode(
"iso-8859-1"
))
|
2.抓取CSV文档
CSV文件是一种常见的数据存档文件，与TXT文档基本类似，但在内容组织上有一定格式，文件的首行为标题列，之后的文件中的每一行表示一个数据记录。这就像一个二维数据表或excel表格一样。 python3中包含一个csv解析库，可用于读写csv文件，但其读取目标一般要求是在本地，要读取远程网络上的csv文件需要用urllib.request.urlopen先获取。例如：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
|
#csv远程获取，内存加载读取
from
urllib.request
import
urlopen
import
csv
from
io
import
StringIO
#在内存中读写str，如果要操作二进制数据，就需要使用BytesIO
try
:
data
=
urlopen(
"http://pythonscraping.com/files/MontyPythonAlbums.csv"
).read().decode(
"ascii"
,
"ignore"
)
except
(URLError,HTTPError) as e:
print
(
"Errors:\n"
)
print
(e)
dataFile
=
StringIO(data)
csvReader
=
csv.reader(dataFile)
count
=
0
for
row
in
csvReader:
if
count <
10
:
print
(row)
else
:
print
(
"...\n..."
)
break
count
+
=
1
#将数据写入本地csv文件
with
open
(
"./localtmp.csv"
,
"wt"
,newline
=
'
',encoding='
utf
-
8
') as localcsvfile:
writer
=
csv.writer(localcsvfile)
count
=
0
try
:
for
row
in
csvReader:
if
count <
10
:
writer.writerow(row)
else
:
break
count
+
=
1
finally
:
localcsvfile.close()
|
csv文档的标题行（首行）需要特殊处理，csv.DictReader可以很好的解决这个问题。DictReader将读取的行转换为python字典对象，而不是列表。标题行的各列名即为字典的键名。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
#csv.DictReader读取csv文件，可以有效处理标题行等问题
from
urllib.request
import
urlopen
import
csv
from
io
import
StringIO
#在内存中读写str，如果要操作二进制数据，就需要使用BytesIO
try
:
data
=
urlopen(
"http://pythonscraping.com/files/MontyPythonAlbums.csv"
).read().decode(
"ascii"
,
"ignore"
)
except
(URLError,HTTPError) as e:
print
(
"Errors:\n"
)
print
(e)
dataFile
=
StringIO(data)
csvReader
=
csv.reader(dataFile)
dictReader
=
csv.DictReader(dataFile)
print
(dictReader.fieldnames)
count
=
0
for
row
in
dictReader:
if
count <
10
:
print
(row)
else
:
print
(
"...\n..."
)
break
count
+
=
1
|
3.抓取PDF文档
pdf文档的远程抓取与操作，可借助比较流行的pdfminer3k库来完成。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
|
#抓取并操作pdf
#pdf READ operation
from
urllib.request
import
urlopen
from
pdfminer.pdfinterp
import
PDFResourceManager,process_pdf
from
pdfminer.converter
import
TextConverter
from
pdfminer.layout
import
LAParams
from
io
import
StringIO,
open
def
readPDF(filename):
resmgr
=
PDFResourceManager()
#STEP 1
retstr
=
StringIO()
#STEP 2
laparams
=
LAParams()
#STEP 3
device
=
TextConverter(resmgr,retstr,laparams
=
laparams)
#STEP 4
process_pdf(resmgr,device,filename)
#STEP 5
device.close()
#STEP 6
content
=
retstr.getvalue()
retstr.close()
return
content
try
:
pdffile
=
urlopen(
"http://www.fit.vutbr.cz/research/groups/speech/servite/2010/rnnlm_mikolov.pdf"
)
except
(URLError,HTTPError) as e:
print
(
"Errors:\n"
)
print
(e)
outputString
=
readPDF(pdffile)
#也可以读取由pdffile=open("../../readme.pdf")语句打开的本地文件。
print
(outputString)
pdffile.close()
|
4.抓取WORD
老版word使用了二进制格式，后缀名为.doc，word2007后出现了与OPEN OFFICE类似的类XML格式文档，后缀名为.docx。python对word文档的支持不够，似乎没有完美解决方案。为读取docx内容，可以使用以下方法：
（1）利用urlopen抓取远程word docx文件；
（2）将其转换为内存字节流；
（3）解压缩（docx是压缩后文件）；
（4）将解压后文件作为xml读取
（5）寻找xml中的标签（正文内容）并处理
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
#读取word docx文档内容
from
zipfile
import
ZipFile
from
urllib.request
import
urlopen
from
io
import
BytesIO
from
bs4
import
BeautifulSoup
wordFile
=
BytesIO(wordFile)
document
=
ZipFile(wordFile)
#
xml_content
=
document.read(
"word/document.xml"
)
#print(xml_content.decode("utf-8"))
wordObj
=
BeautifulSoup(xml_content.decode(
"utf-8"
),
"lxml"
)
textStrings
=
wordObj.findAll(
"w:t"
)
for
textElem
in
textStrings:
print
(textElem.text)
|
5.抓取EXCEL
6.抓取HTML源文档
7.抓取HTML表单数据
8.抓取Javascript数据
更多内容请参考专题《python爬取功能汇总》进行学习。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。