论坛首页 编程语言技术论坛

最近写了个Python爬虫,记录一下学到的东西

浏览 8168 次
精华帖 (0) :: 良好帖 (0) :: 新手帖 (0) :: 隐藏帖 (0)
作者 正文
   发表时间:2010-02-22   最后修改:2010-02-23
  1. urllib2 是针对文本的 urllib 是针对二进制文件的
  2. 下载文件最简单的写法
    urllib.urlretrieve(url, filePath + fileName)
  3. 如果需要访问非英文页面文字,自行 decode
    html.decode('euc-jp').encode('utf-8')
  4. 使用 BeautifulSoup 处理 html 非常方便,但是在 Jython 下速度超级慢!
  5. 可以直接使用正则在 BeautifulSoup 中查找需要的标签
    links = soup.findAll('a', href=re.compile('^.+?$') 
  6. try except else 的应用
  7. 强制抛出异常 raise
  8. 使用格式化文本实现数字补零
    fileName = '%03d.jpg' %(time)
  9. 新建文件夹
    if not os.path.isdir(filePath):
                os.mkdir(filePath)
  10. 字符串和数字无法相加 需要讲数字转化为字符串 str(num)
  11. cmp 可以用来比较两个字符串,完全相同返回 0
  12. # -*- coding: utf-8 -*- 非常重要,不光影响代码中的注释,还会影响到处理文本。起初忘记加这个,导致日文无法正常处理。
   发表时间:2010-02-24  
LZ,不用使用代理么?应该把设置代理的部分也加上
0 请登录后投票
   发表时间:2010-02-26  
慢慢来,现在还只是针对两三个网站抓取特定资源。
慢慢扩展。
0 请登录后投票
论坛首页 编程语言技术版

跳转论坛:
Global site tag (gtag.js) - Google Analytics