python爬取各類文檔方法歸類匯總

更新時間：2018年03月22日 17:22:29 作者：hhhparty

網(wǎng)絡爬蟲不僅需要能夠抓取HTML中的敏感信息，也需要有抓取其他類型文檔的能力這篇文章主要為大家匯總了python爬取各類文檔方法，具有一定的參考價值，感興趣的小伙伴們可以參考一下

HTML文檔是互聯(lián)網(wǎng)上的主要文檔類型，但還存在如TXT、WORD、Excel、PDF、csv等多種類型的文檔。網(wǎng)絡爬蟲不僅需要能夠抓取HTML中的敏感信息，也需要有抓取其他類型文檔的能力。下面簡要記錄一些個人已知的基于python3的抓取方法，以備查閱。

1.抓取TXT文檔

在python3下，常用方法是使用urllib.request.urlopen方法直接獲取。之后利用正則表達式等方式進行敏感詞檢索。

### Reading TXT doc ###
from urllib.request import urlopen
from urllib.error import URLError,HTTPError
import re

try:
 textPage = urlopen("http://www.pythonscraping.com/pages/warandpeace/chapter1.txt")
except (URLError,HTTPError) as e:
 print("Errors:\n")
 print(e)
#print(textPage.read())
text = str(textPage.read())

#下面方法用正則匹配含1805的句子
pattern = re.compile("\..*1805(\w|,|\s|-)*(\.)")#不完美，簡單示例
match = pattern.search(text)
if match is not None:
 print(match.group())

#下面方法不用正則。先用.將句集分片，之后就可遍歷了。
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標網(wǎng)頁為txt文本時的抓取。事實上，在自動抓取網(wǎng)頁時，必須考慮目標網(wǎng)頁是否為純文本，用何種編碼等問題。

如果只是編碼問題，可以簡單使用print(textPage.read(),'utf-8')等python字符處理方法來解決，如果抓取的是某個HTML，最好先分析，例如：

from urllib.request import urlopen
from urllib.error import URLError,HTTPError
from bs4 import BeautifulSoup
try:
 html = urlopen("https://en.wikipedia.org/wiki/Python_(programming_language)")
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文檔

CSV文件是一種常見的數(shù)據(jù)存檔文件，與TXT文檔基本類似，但在內(nèi)容組織上有一定格式，文件的首行為標題列，之后的文件中的每一行表示一個數(shù)據(jù)記錄。這就像一個二維數(shù)據(jù)表或excel表格一樣。 python3中包含一個csv解析庫，可用于讀寫csv文件，但其讀取目標一般要求是在本地，要讀取遠程網(wǎng)絡上的csv文件需要用urllib.request.urlopen先獲取。例如：

#csv遠程獲取，內(nèi)存加載讀取
from urllib.request import urlopen
import csv
from io import StringIO#在內(nèi)存中讀寫str，如果要操作二進制數(shù)據(jù)，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 

#將數(shù)據(jù)寫入本地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文檔的標題行（首行）需要特殊處理，csv.DictReader可以很好的解決這個問題。DictReader將讀取的行轉(zhuǎn)換為python字典對象，而不是列表。標題行的各列名即為字典的鍵名。

#csv.DictReader讀取csv文件，可以有效處理標題行等問題
from urllib.request import urlopen
import csv
from io import StringIO#在內(nèi)存中讀寫str，如果要操作二進制數(shù)據(jù)，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文檔

pdf文檔的遠程抓取與操作，可借助比較流行的pdfminer3k庫來完成。

#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)#也可以讀取由pdffile=open("../../readme.pdf")語句打開的本地文件。
print(outputString)
pdffile.close()

4.抓取WORD

老版word使用了二進制格式，后綴名為.doc，word2007后出現(xiàn)了與OPEN OFFICE類似的類XML格式文檔，后綴名為.docx。python對word文檔的支持不夠，似乎沒有完美解決方案。為讀取docx內(nèi)容，可以使用以下方法：
（1）利用urlopen抓取遠程word docx文件；
（2）將其轉(zhuǎn)換為內(nèi)存字節(jié)流；
（3）解壓縮（docx是壓縮后文件）；
（4）將解壓后文件作為xml讀取
（5）尋找xml中的標簽（正文內(nèi)容）并處理

#讀取word docx文檔內(nèi)容
from zipfile import ZipFile
from urllib.request import urlopen
from io import BytesIO
from bs4 import BeautifulSoup

wordFile = urlopen("http://pythonscraping.com/pages/AWordDocument.docx").read()
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源文檔

7.抓取HTML表單數(shù)據(jù)

8.抓取Javascript數(shù)據(jù)

更多內(nèi)容請參考專題《python爬取功能匯總》進行學習。

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: