本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。
以下文章来源于python教程，作者：小雨
刚接触Python的新手、小白，可以复制下面的链接去免费观看Python的基础入门教学视频
<code><span class="hljs-attribute">https:<span class="hljs-comment">//v.douyu.<a href="https://www.gaodaima.com/tag/com" title="查看更多关于com的文章" target="_blank">com</a>/author/y6AZ4jn9jwKW</span></span></code>
www#gaodaima.com来源gaodai#ma#com搞*!代#%^码$网搞代码
前言
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。
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。
如果抓取的是某个HTML，最好先分析，例如：
抓取CSV文档
抓取PDF文档
抓取word
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）将解压后的文件作为xml读取
（5）寻找xml中的标签（正文内容）并处理
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：Python爬取各种主要文档类型的方法简介
转载请注明原文链接：Python爬取各种主要文档类型的方法简介
