Python筆記
power(x,y),x**y,表示x的y次方
進位制數表示:十進位制,二進位制0b或0B,八進位制0o或0O,十六禁止0x或0X
10//3=3整數商
round(x,y),四捨五入函式,x是數字,y是保留幾位小數;abs()取絕對值;divmod(x,y)輸出商和餘數,divmod(10,3)=(3,1);pow(x,y[,z])=(x**y)%z
複數z,z.real表示實部,z.imag表示虛部;max(x1,x2…)輸出最大值;min(x1,x2…)輸出最小值
int(x)取整數,float(x)取浮點數,complex(x,y)=x+y*j,x可以使字串
eval(x)表示去雙引號
字串操作
切片[M:N:K],M缺失表開頭,N缺失表示結尾,K缺失表示1,取不到N
\轉義符,\b回退 \n換行 \r回車表示游標回到本行行首
print(“”,end=””)不換行
x+y 連線兩個字串
x*n或n*x將字串x複製n次
x in s 判斷x是否在s內,如果在返回True
上面三種序列、列表、字串都可以用
len(x)字串的長度
str(x)返回字串
hex(x),oct(x)返回整數十六進位制或八進位制小寫形式
chr(x) x表示Unicode編碼,返回字元
ord(x) x表示字元,返回unicode編碼
str.lower(),str.upper(),將字串全部大寫或小寫
str.split(seq),將str根據seq切割,返回列表
str.count(sub),返回子串出現的次數
str.replace(old,new),替換
str.center(width[,fillchar]),居中,用fillchar填充
str.strip(chars),刪除str左右側出現在chars的字元
str.join(iter),在item每個元素之間後面都插入str,再生成字串
"{索引:<>}".format()
<填充符號>
<格式>^居中<左對齊>右對齊
<寬度>
<,>千位分隔符
<.精度>浮點數精度或字串輸出最大長度
<資料型別>整數:bcdoxX,浮點數:eEf%
time庫
獲取時間time.time()時間戳,time.ctime()人類可以讀的時間,time.gmtime()計算機可以處理的時間
時間格式化:time.strftime(x,y)設定返回時間格式x是字串,y是gmtime返回的資料,time.strptime(x,y),x是時間,y是x的時間格式,返回計算機可以處理的格式(結構體)
%Y年 m月 B月份名稱 b月份名稱縮寫 d日期 A星期 a星期縮寫 H小時(24時制) I小時(12時制) p上下午a/pm M分鐘 S秒
程式計時:time.sleep(),time.perf_counter()
程式的控制結構:順序控制,分支控制,迴圈控制
range(N)表示0到N-1,range(M,N,K),M開始,取不到N,K為步長
for c in s,取字串中的每一個字元進行迴圈
for in 還可以對列表,檔案進行遍歷
break;跳出並結束當前迴圈,執行迴圈後的語句,只能跳出一層迴圈
continue;結束當次迴圈,繼續執行後續次數迴圈
迴圈+else
for in/while :
<語句塊1>
else:
<語句塊2>
如果迴圈沒有被break 語句退出,執行else後的語句塊2
try:
except Namerror:
except:
else:
finally:
出錯執行except,不出錯執行else,出不出錯都要執行finally
random庫的使用呢隨機數標準庫 import random
random.seed(10)#產生種子10對應的序列,初始化給定的隨機種子,預設當前的系統時間
random.random()#產生0到1之間的隨機小數,隨機種子是10的話,第一個隨機小數試試0.57
randomint(a,b)#產生a到b的隨機整數
random.randrange(M,N[,K])#產生一個M開始,不到N的隨機整數,以K為步長
random.getrandbits(k)#生成k位元長的隨機整數
random.uniform(a,b)#生成a到b的一個隨機小數
random.choice(seq)#從seq序列中隨機選取一個元素
random.shuffle(seq)#對seq重新隨機排列,返回打亂後的順序
\使程式碼換行增加可讀性
Import random as r#用r代替random,避免random太長
import random #使用時需要random.函式,等於r.函式
form import等於把函式寫在這個名稱空間內,不推薦使用,可能會重名
函式的引數是必選和可選的,必選在前,可選在後並賦值
函式的引數若是不確定個數,那麼在形參哪裡定義*b
在for迴圈中,若是不用索引,則可以不用range函式,直接遍歷其內容
傳遞引數分為位置傳遞和名稱傳遞
[,,]列表型別(,,)元組型別
全域性變數和區域性變數:區域性變數是函式內部的佔位符,可能與全域性變數重名,但是不同;函式結束後,區域性變數被釋放;可以用global保留字在函式內部使用全域性變數
global s#宣告s是區域性變數
組合資料型別未在函式中宣告 則是全域性變數
ls.append(a),在列表s中增加一個a元素,字串不是組合邏輯型別,列表、陣列是組合邏輯型別
lambda用於定義簡單的,能夠在一行內表示的函式
<函式名>=lambda<引數>:表示式
f=lambda x,y:x+y
f(10,15)
turtle.fd(d)#前進的距離
turtle.left(a)#箭頭向左轉的角度
turtle.right(a)#箭頭向右轉的角度
turtle.pendowm()#畫筆落下
turtle.penup()#提起畫筆
turtle.write(“”,font=())#繪製漢字
turtle.pencolor()#顏色
s[::-1]#將字串s翻轉輸出
turtle.setup(x,y,startx,starty);設定大小和開始位置
turtle.goto(x,y)#移動到x,y座標
turtle.backword(d)#向後移動d的距離
turtle.circle(r,extent=None) #根據半徑r繪製extent角度的弧形
turtle.pencolor(r,g,b)
組合資料型別分類:集合型別、序列型別(元組、列表)、字典型別
***集合型別***
多個元素的無序組合;無序、不存在相同元素;集合元素不能更改,不能是可變資料型別,
表示方法 {,}
建立集合型別用{},或set(),如果是建立空集合,必須用set()
集合操作符:
並、差、交、補,S|T(返回一個集合,包括S和T中的所有元素),S-T(返回一個集合,包括S但是不包括T中的元素),S&T(返回一個集合,包括同時在S和T中的元素),S^T,(返回一個集合,包括S和T中的非相同元素),S<=T或S<T(返回True或者False,表示S是否在T內),S>=T或S>T(返回True或者False,表示T是否在S內)
集合處理方法:
S.add(x)#如果x不在S中,增加x到S;
S.discard(x)#移除S中的x,如果x不在S中,不報錯
S.remove(x)#移除S中的x,如果x不在S中,報KeyError的異常
S.clear()#移除S中的所有元素
S.pop()#隨機返回S中的一個元素,更新S,若S為空,返回KeyErrir的異常
S.copy()#返回一個與S一個的集合副本
len(S)#返回集合S的元素個數
x in S#判斷S中元素的個數,x在集合S中,返回True,否則返回False
x not in S,與上面相反
set(x)#將其他型別變數x轉變為集合型別
應用場景,集合包含關係比較,資料去重
***序列型別***
定義:序列是具有一組具有先後關係的元素,元素型別可以不同,序列是一個基類型別,衍生出了:字串型別、元組型別、列表型別
常用操作符,x in s,s*n,s+t,len(s),min(s),max(s)(若是不同型別不能比較,將報錯),s.index(x)或x.index(x,i,j)第一次出現x元素的位置(從i到j),s.count(x)返回x出現的位置
***元組型別***一旦被建立就不能被修改,使用()或者tuple()建立,元素之間用逗號分隔,可以用小括號表示,也可以不適用小括號表示,如 return 1,2;其實返回的是一個元組型別資料,a=1,2;a表示的也是一個元組型別,用於元素不改變的應用場景,更多用於固定搭配,如函式的返回值return
lt=tuple(ls),元組型別保護資料不被修改
***列表操作符***ls[i]=x,ls[i:j:k]=lt.del ls[i],del ls[i:j:k],ls+=lt,ls*=n,del ls[::3]
ls.append(x);在列表後增加一個元素
ls.clear();清除ls
ls.copy();
ls.insert(i,x);在第i個位置插入x元素
ls.pop(i);將第i個位置的元素去除並刪除,
ls.remove(x);出現的第一個x元素刪除
ls.reverse();將列表ls旋轉
***基本資料統計值***
總個數:len()
求和:for in
平均值、方差、中位數
string=input();
while string!=””:
srting=input();
#上述程式碼指的是輸入回車結束
sorted()#對陣列進行排序
***字典型別***應用場景,對對映的表達,如資料出現的次數
建立字典:用{}或dict的方法{<鍵1>:<值1>,<鍵2>:<值2>…<鍵n>:<值n>},可以通過方括號[]的索引得到值,
字典處理方法:
de={}#建立空字串,type(de)檢測de的型別
del d[k]#刪除鍵k對應的資料值
k in d#判斷鍵k是否在字典中,在返回True,不在返回False,for k in d遍歷鍵
d.keys()#返回字典d中所有的鍵的資訊
d.values()#返回字典d中所有值得資訊
d.items()#返回字典d中所有鍵值對的資訊
d.get(k,<default>)#鍵k存在,返回其相對應的值,不存在返回default的值
d.pop(k,<default>)#鍵k存在,取出k相對應的值,刪除相對應的鍵值對,d更新,不存在返回default的值
d.popitem()#隨機取出一個鍵值對,並更新d,以元組型別返回
d.clear()#刪除所有的鍵值對
len()返回所有鍵值對的個數
d[“a”]=1#通過複製的形式新增元素
ls=list(de.items())#字典轉化為列表,a={‘a’:1};ls=list(a.items());
ls[0][1]的值是1
ls.sort(key lambda x:x[1],reverse=True)# 列表排序,使用第二行作為索引,預設從小到大,reverse=True則是從大到小
jieba庫,中文分詞庫
jieba庫三種模式:精確模式,全模式,搜尋引擎模式
精確模式:把文字精確地切分開,不存在冗餘單詞
全模式:把文字所有可能的詞語全部掃描出來,有冗餘
搜尋引擎模式:在精確模式的基礎上,對長詞再次切分
jieba.luct(“中國是一個偉大的國家”),返回[“中國”,”是”,”一個”,”偉大”,”的”,”國家”]#精確模式,返回一個列表型別的分詞結果list cut
jieba.lcut("中國是一個偉大的國家",cut_all=True)#全模式,存在冗餘,返回['中國', '國是', '一個', '偉大', '的', '國家']
jieba.lcut_for_search(“中華人民共和國是偉大的”)#返回列表型別的分詞結果,存在冗餘,返回值為['中華', '華人', '人民', '共和', '共和國', '中華人民共和國', '是', '偉大', '的']
jieba.add_word(w)#向jieba庫中增加新詞w,w是中文字串
處理檔案的步驟:開啟、操作、關閉
使用
開啟檔案tf=open(<路徑和名稱>,<開啟模式>);與原始檔同目錄可省名稱,以文字形式開啟或以二進位制形式開啟,讀資訊還是寫資訊D:/PYE/f.txt,
****開啟模式****:
’r’只讀模式,預設值,如果檔案不存在返回FileNotFoundError
’w’覆蓋寫模式,檔案不存在則建立,存在則完全覆蓋
’x’建立寫模式,檔案不存在則覆蓋,存在則返回FileExistsError
’a’追加寫模式,檔案不存在則建立,存在則在最後追加內容
’b’二進位制檔案模式
’t’文字檔案模式,預設值
’+’與r/w/x/a一同使用,在原功能上增加讀寫功能
****讀檔案操作****
tf.read(size=-1);#預設讀入全部,tf.read(2),讀入前2個字元:中國
tf.readline(size=-1);#預設讀入一行內容,tf.readline(2),讀入改行前兩個字元:中國
tf.readlines(hint=-1);#讀入檔案所有行,每行為元素形成一個列表,如果給出引數,讀取前hint行
逐行處理:for line in tf.readlines()或者for line in tf:
寫檔案操作:
tf.write(s);#s是字串
tf.writelines(lines);#lines是列表ls拼接成一行的字串
tf.seek(offset)#改變當前檔案操作指標的位置,offset含義如下,0:檔案開頭,1:當前位置,2:檔案結尾
tf.close();
map(<函式>,<元素>)#將函式作用於後面的每一個元素
CSV格式:逗號分隔值
每行一個以為資料,採用逗號分隔,沒有空行
將列表中的資料寫入csv檔案中
ls=[[],[],[]]
f=open(fname,’w’)
for item in ls:
f.wirte(‘,’.join(item)+’\n’)
f.close()
wordcloud庫
-wordcloud.WordCloud()#代表一個文字對應的詞雲
-可以根據文字中詞語出現的頻率等引數繪製詞雲
-繪製詞雲的形狀、尺寸和顏色都可以設定
w= wordcloud.WordCloud(<引數>),width,height,min_font_size(頻率低), max_font_size(頻率高),font_step,font_path,max_words(最大單詞數量), stop_words(排除字,可以給定一個集合型別),background_color,mask
from scipy.misc import imread
mk=imread(“pic.png”)
w=wordcloud.WordCloud(mask=mk)
\換行增加可讀性
w.generate(txt)#向WordCloud物件w中載入文字txt,如w.generate(“python and WordCloud”)
w.to_file(filenname)#將詞雲輸出為影像檔案,可以為png或jpg格式,如w.generate(“outfile.png”)
步驟:配置物件引數、載入詞雲文字、輸出詞雲檔案
python 自頂向下的設計和自下而上的進行
os.path庫使用import os.path as op
op.abspath(“檔名”)#返回絕對路徑
op.normpath(“路徑”)#返回歸一化的path表示形式\\
op.relpath(“帶有路徑的檔名”)#返回python程式和檔案的相對路徑
op.dirname(“帶有路徑的檔名”)#返回path目錄的名字
op.basename(“路徑”)#返回路徑最後的檔名稱
op.join(path,*paths)#將兩個路徑進行組合,返回一個路徑的字串
op.exists(path)#判斷path對應的檔案或者目錄是否存在,返回True或者False
op.isfile(path)#判斷路徑對應的是否是一個存在的檔案
op.isdir(path)#判斷路徑對應的是否是一個存在的目錄
op.getatime(path)#返回path對應的檔案或者目錄最後一次的訪問時間
op.getmtime(path)#返回最後的一次修改時間
op.getctime(path)#返回建立的時間
op.getsize(path)#返回檔案的大小,以位元組為單位
op.system(command)#返回command的結果
import os
os.chdir(path)#改變當前路徑
os.getcwd()#返回當前路徑
os.getlogin()#獲取當前登入使用者的名稱
os.cpucount()#返回當前cpu的數量
os.urandom(n)#產生n位元組長度的隨機字串,通常使用者加解密運算
資料處理
Numpy庫:資料分析, http://www.numpy.org
Pandas庫:python資料分析高層次應用庫
Scipy庫:數學、科學和工程計算功能庫,類似於MATLAB, http://www.scipy.org
資料視覺化:
Matplotlib庫:高質量的二維資料視覺化功能庫, http://mataplotlib.org
Seaborn庫:統計類資料視覺化功能庫 http://seaborn.pydata.org
Mayavi庫:三維科學資料視覺化功能庫 http://docs.enthought.com/mayavi/mayavi
文字處理:
python-docx庫;處理word文件
NLTK庫:自然語言文字處理第三方庫 http://www.nltk.org
PyPDF2庫:用於處理PDF檔案的工具集 http://mstamy2.github.io/PyPDF2
機器學習方面:
Scikit-learn庫:機器學習方法工具集 , http://www.scikit-learn.org/
TwnsorFlow:AlphaGo背後的機器學習計算框架 http://www.twnsorflow.org
MXNet:基於神經網路的深度學習計算框架 http://www. incubator.apache.org/
爬蟲庫:Requsts、Scrapy、pyspider
資訊解析:Beautiful Soup、Re、Python-Goose
網站開發:Django、Pyramid、Flask
WeRobot、aip、MyQR
圖形使用者介面(GUI):PyQt5、wxPython、PyGObject
遊戲開發:PyGame、Panda3D、cocos2D
虛擬現實:VR Zero、pyovr、Vizard
圖形藝術庫:Quads、ascii_art、turtle
import json
json.loads(str)#字串轉字典
python爬蟲筆記
定向網路資料爬取和網頁解析
Requests庫:自動爬取HTML頁面,自動網路請求提交
robots.txt:網路爬蟲排除標準
Beautiful Soup:解析HTML介面
Re庫:正規表示式庫,提取頁面關鍵資訊
Scrapy*:網路爬蟲原理介紹,專業爬蟲框架介紹
Requests庫的使用方法
requests.request()#構造一個請求,支撐以下各方法的基礎方法
requests.get()#獲取HTML網頁的主要方法,對應於HTTP的get
requests.head()#獲取HTML網頁頭資訊的方法,對應於HTTP的head
requests.post()#向HTML網頁提交post請求,對應於HTTP的post
requests.put()#向HTML網頁提交put請求,對應於HTTP的put
requests.patch()#向HTML網頁提交區域性修改請求,對應於HTTP的patch
requests.delete()#向HTML網頁提交刪除請求,對應於HTTP的delete
requests.request(method,url,**kwargs)
method:請求方式GET、HEAD、POST、PUT、PATCH、delete、OPTIONS
**kwargs:控制訪問的引數,作為引數增加到url中
params:字典或位元組序列,作為引數增加到url中
```python
import requests
kv={'key1':'value1','key2':'value2'}
r=requests.request('GET','http://python123.io/ws',params=kv)
print(r.url)
data :字典、位元組序列或檔案物件,作為Request的內容
import requests
kv={'key1':'value1','key2':'value2'}
r=requests.request('POST','http://python123.io/ws',data=kv)
json:json格式的資料,作為Request的內容
headers:字典,http的定製頭#可以模擬任何瀏覽器
import requests
hd={'user-agent':'Chrome/10'}
r=requests.request('POST','http://python123.io/ws',headers=hd)
cookies:字典或CookieJar,Requests中的cookie
auth:元組型別,支援HTTP認證功能
files:字典型別,傳輸檔案
import requests
fs={'file':open('data.xls','rb')}
r=requests.request('POST','http://python123.io/ws',files=fs)
timeout:超時時間,以秒為單位
r=requests.request('GET','http://python123.io/ws',timeout=30)
proxies:字典型別,設定訪問代理伺服器,可以增加登入認證
import requests
pxs={'http':'http://user:pass@10.10.10.1:1234',\
'https':'http://10.10.10.1:4321'}
r=requests.request('GET','http://www.baidu.com',proxies=pxs)
allow_redirects:True/False,預設是True,重定向開關
stream:True/False,預設是True,獲取內容立即下載開關
verify: True/False,預設是True,認證SSL證照開關
cert:本地SSL證照路徑
r=requests.get(url)#構造一個向伺服器請求資源的request物件,返回一個包含伺服器資源的response物件,最重要的。返回爬蟲需要的內容
requests.get(url,params,**kwargs)#url:擬獲取頁面的連結;params:url的額外引數,字典或位元組流樣式,可選;**kwargs:12個控制訪問引數
import requests
r=requests.get(“http://www.baidu.com”)
print(r.status_code)#返回狀態碼,如果是200,成功,如果不是200,失敗
r.header #返回get請求介面的頭部資訊,字典型別
Response物件的屬性:
r.status_code #HTTP請求的返回狀態,200表示連線成功,404表示失敗
r.text #http相應內容字串的資訊,即,url對應的頁面內容
r.encoding #從http headers中猜測的響應內容的編碼方式
r.apparent_encoding #從內容中分析出的響應內容編碼方式(備選編碼方式)
r.content #http響應內容的二進位制形式
Requests的異常處理
requests.ConnectionError #網路連線錯誤異常,如DNS查詢失敗、拒絕連線等
requests.HTTPError #HTTP錯誤異常
requests.URLRequired #URL缺失異常
requests.TooManyRedirects #超過最大重定向次數,產生重定向異常
requests.ConnectionTimeout #連線遠端服務超時異常
requests.Timeout #請求URL超時,產生超時異常
r.raise_for_status() #如果不是200,產生異常requests.HTTPErrorr
提交資料程式碼
import requests
payload={'key1':'value1','key2':'value2'}
r=requests.post('http://httpbin.org/post',data=payload)
print(r.text)
HTTP協議:超文字傳輸協議,請求-響應,無狀態
http://host[:port][path]
host:合法的Internet主機域名或者是IP地址
port:埠號,預設埠號是80
path:請求資源的路徑
方法:
GET:請求獲取URL位置的資源
HEAD:請求獲取URL位置資源的響應訊息報告,即頭部資訊
POST:請求向URL位置的資源後附加新的資料
PUT:請求向URL位置儲存一個資源,覆蓋原URL位置的資源
PATCH:請求區域性更新URL位置的資源,即改變該處資源的部分內容
DELETE:請求刪除URL位置儲存的資源
小規模、爬取網頁用Requests庫,對爬取速度不敏感
中規模、爬取系列網站使用Scrapy庫,對爬取速度敏感
大規模、爬取全網、建立搜尋引擎,定製開發,爬取全網
網路爬蟲的限制:來源審查:判斷User-Agent進行限制,釋出公告
獲取url內容
import requests
try:
hd={'user-agent':'Chrome/10'}
url="https://www.baidu.com"
r=requests.get(url,headers=hd)
r.raise_for_status()
print(r.text[:1000])
except:
print("爬蟲失敗")
查詢IP地址的歸屬
import requests
try:
ip='112.38.203.59'
hd={'user-agent':'Chrome/10'}
url="https://www.ip138.com/iplookup.asp"
kv={'ip':ip,'action':2}
r=requests.get(url,headers=hd,params=kv)
r.raise_for_status()
r.encoding=r.apparent_encoding
print(r.url+'\n',r.text[:1000])
except:
print("爬蟲失敗")
解析網站資訊
import requests
from bs4 import BeautifulSoup
r=requests.get(url)
demo=r.text
soup=BeautifulSoup(demo,’html.parse’)
BeautifulSoup庫解析器
bs4的HTML解析器:BeautifulSoup(mk,’html.parse’),條件是安裝bs4庫
lxml的HTML解析器:BeautifulSoup(mk,’lxml’),條件是pip install lxml
lxml的XML解析器:BeautifulSoup(mk,’xml),條件是 pip install lxml
html5lib的解析器:BeautifulSoup(mk,’html5lib’),條件是pip install html5lib
BeautifulSoup的基本元素
Tag:標籤<></>
Name:標籤的名字
……
,p是標籤的名字,.nameAttributes:標籤的屬性,字典形式組織,格式:.attrs
Navigablestring:標籤內,非屬性的字串
Comment:標籤內字串的註釋部分,一種特殊的Comment型別
soup.a後面可以點的東西:parent上一層標籤,name名字,string裡面的字串,attrs屬性
<!註釋部分>
標籤樹的下行遍歷
.contents子節點的列表,將所有的兒子存入列表
.children子節點的迭代型別,與.contents類似,用於迴圈遍歷兒子節點
.descendants子孫節點的迭代型別,包含所有子孫節點,用於迴圈遍歷
標籤樹的上行遍歷
.parent節點的父親標籤
.parents節點先輩標籤的迭代型別,用於迴圈遍歷先輩節點
標籤樹的平行遍歷
.next_sibling按照HTML文字順序的下一個平行節點標籤
.previous_sibling按照HTML文字順序的上一個平行節點標籤
.next_siblings迭代型別,返回按照HTML文字順序的後續所有平行節點標籤
. previous _siblings迭代型別,返回按照HTML文字順序的前續所有平行節點標籤
迭代型別智慧在for in型別遍歷
print(soup.prettify())在每個標籤後加一個’\n’,顯得好看點,也可以對單個標籤進行處理
資訊的三種標識:XML,JSON,YAML
XML標識形式:,,
JSON標識形式:鍵值對,’key’:’value’,’key’:[‘value1’,’value2’],’key1’:{‘key2’:’value’}
YAML標識形式:
key:value
key :#Comment
-value1
-value2
key:
subkey:subvalue
XML:網際網路上的資訊交換和傳遞
JSON:移動應用雲端和節點的資訊通訊,無註釋
YAML:各類系統的配置檔案,有註釋易讀
資訊提取的一般方法
方法1:完整解析資訊的標記形式,在提取關鍵資訊
XML JSON YAML
需要標記解析器,比如果bs4的標籤樹遍歷,資訊解析準確,但是速度慢
方法2:無視標記形式,直接搜尋關鍵資訊
對資訊的文字查詢函式即可,提取速度快,但是準確性不好
soup的函式
soup.find_all(‘a’)#查詢soup中所有的a標籤
soup.find_all([‘a’,’b’])#查詢soup中所有的a,b標籤
soup.find_all(True)#返回soup中的所有標籤
soup.find_all(re.compile(‘b’))#顯示所有以b開頭的標籤,re是正規表示式庫
soup.find_all(‘p’,’course’)#顯示所有帶有course的p標籤
soup.find_all(id=’link1’)#返回屬性中id=‘link1’的標籤元素
soup.find_all(id=re.compile(‘link’))#返回id=以link開頭的標籤
soup.find_all(string=’basic python’)#查詢basic python字串
Ssoup.find_all(string=re.compile(basic python))#查詢出現python的字串
soup.a.get(‘href’)#返回標籤a中的所有href內容
<>.find.all(name,attrs,recursive,string,**kwargs),<>表示一個節點
返回一個列表型別,儲存查詢的結果
name:對標籤名稱的檢索字串
attrs:對標籤屬性值的檢索字串,可標註屬性檢索
recursive:是否對子孫全部檢索,預設為True
string:查詢字串
(…)等價於.find_all(…)
soup(…)等價於soup.find_all(…)
擴充套件方法
<>.find()#搜尋且只返回一個結果,字串型別,同find_all()引數
<>.findparents()#在先輩節點中搜尋,返回列表
<>.findparent()#在父親節點中返回一個結果,字串型別
<>.find_nextsiblings()#在後續平行節點中搜尋,返回列表
<>.find_nextsibling()#在後續節點中搜尋,返回一個結果,字串
<>.find_previous_siblings()#在前序平行節點中搜尋,返回列表
<>.find_nextsibling()#在前序節點中搜尋,返回一個結果,字串
************************************************************************************************
``
正規表示式:通用的字串表達框架,簡潔表達一組字串的表示式,簡潔+特徵
PN/PYN/PYTN/PYTHN/PYTHON的正規表示式:P(Y|YT|YTH|YTHO)?N
PY/PYY/PYYY/……/PYYYY…的正規表示式:PY+
PY開頭,後續不多於是個字元,後續字元不能是P/Y,PY[^PY](0,10)
應用:表達文字型別的特徵(病毒,入侵),同時查詢或者替換一組字串,匹配字串的全部或者部分,主要應用在字串匹配中
正規表示式的使用:
編譯:將符合正規表示式語法的字串轉換成正規表示式特徵
正規表示式是由字元和操作符構成的
. #表示任何單個字元
[] #字符集,對單個字元給出取值範圍,[abc]表示a、b、c,[a-z]表示a到z的單個字元
[^] #非字符集,對單個字元給出排除範圍,[^abc]表示非a或b或c的字串
* #表示前一個字元0次或無限次擴充套件,abc*表示ab,abc,abcc,abccc等等
+ #表示前一個字元1次或無限次擴充套件,abc+表示abc,abcc,abccc等等
? #表示前一個字元0次或1次擴充套件,abc?表示ab,abc
| #表示左右表示式任取其一,abc|def表示abc、def
{m} #表示擴充套件前一個字元m次,ab{2}c表示abbc
{m,n} #擴充套件前一個字元m至n次(含n),ab{1,2}c表示abc,abbc
^ #匹配字串開頭,^abc表示abc且在一個字串的開頭
$ #匹配字串結尾,abc$表示abc且在一個字串的結尾
() #分組標記,內部只能用|操作符,(abc)表示abc,(abc|def)表示abc,def
d #數字、等價於[0-9]
-w #單詞字元,等價於[A-Za-z0-9_]
經典表示方法
^{A-Za-z}+$表示26個字母表示的字串
^{A-Za-z0-9}+&由26個字母和數字表示的字串
^-?\d+$表示整數形式的字串
^[0-9]*[1-9][0-9]*$ 表示正整數字符串
[1-9]\d{5}中國境內郵政編碼,6位
[\u4e00-\u9fa5] 匹配中文字串
ip地址 0-99:[1-9]?\d,100-199:1\d{2},200-249:2{0-4}\d,250-255:25[0-5]
Re的基本使用
正規表示式的表示型別
原生字串,raw string,不把‘\’作為註釋,表示為 r’text’,如r’[1-9]\d{5}’,當正規表示式包含轉義符的時候使用raw string
re庫的功能函式
re.search() #在一個字串中搜尋匹配正規表示式的第一個位置,返回match物件
re.match()#在一個字串的開始位置匹配正規表示式,返回match物件
re.findall()#搜尋字串,以列表的形式返回全部匹配的字串
re.split(pattern,string,maxsplit=0,flags=0)#將一個字串按照正規表示式匹配結果進行分割,返回列表型別,maxsplit最大分割數,剩餘部分作為最後一個元素輸出
re.finditer()#搜尋字串,返回一個匹配結果的迭代型別,每個迭代元素是match物件,if match: print(match.group(0))
re.sub(pattern,repl,string,count=0,flags=0)#在一個字串中替換所有匹配正規表示式的子串,返回替換後的字串,repl替換匹配正規表示式的字串,count匹配的最大替換數
re.search(pattern,string,flags=0)
在一個字串中搜尋匹配正規表示式的第一個位置,返回match物件
pattern是正規表示式的字串或原生字串表示
string是帶匹配的字串
flags是正規表示式使用時的控制標記,re.I IGNORECASE忽略正規表示式的大小寫,[A-Z]能匹配小寫字元;re.M re.MULTILINE正規表示式中的^操作符能夠將給定的字串的每行當做匹配開始;re.S re.DOTALL 正規表示式中的.操作符能夠匹配所有字元,預設匹配除換行外的所有字元, match=re.search(r'[1-9]\d{5}','BIT 100081'),match.group(0)輸出匹配的字串
rst=re.search(r’[1-9]\d{5}’,’BIT100001’)#函式式用法,一次性操作
pat=re.compile(r’[1-9]\d{5}’);rst=pat.search(‘BIT100001’)#物件導向用法,編譯後多次操作,加快程式的執行
Re庫的match物件及其屬性
.string#待匹配的文字
.re#匹配是使用的pattern物件(正規表示式)
.pos#正規表示式搜尋文字的開始位置
.endpos#正規表示式搜尋文字的結束位置
方法
.group(0)#獲得匹配後的字串
.start()#匹配字串在原始字串的開始位置
.end()#匹配字串在原始字串的結束位置
.span#返回(.start(),.end())
Re庫的貪婪匹配和最小匹配
Re庫預設採用貪婪匹配,即輸出匹配最長的子串,match.group(0)就是輸出最長的子串
match=re.search(r‘PY.*?N’,’PYANBNCNDN’);match.group(0);就是輸出最小的字串,區別在於?
最小匹配操作符
*? #前一個字元0次或無限次擴充套件,最小匹配、
+? #前一個字元1次或無限次擴充套件,最小匹配
?? #前一個字元0次或1次擴充套件,最小匹配
{m,m}? #擴充套件前一個字元m至n次(含n),最小匹配
pat_price=re.compile(r'\"view_price\"\:\"[\d\.]*\"')#匹配並返回”view_price”:數字型別的字串
pat_name=re.compile(r'\"view_title\"\:\".*?\"')
pat_price.findall('"view_price":"119.00"')
pat_name.findall('"view_title":"褲子"')
返回:['"view_price":"119.00"'],列表型別
['"view_title":"褲子"'], 列表型別
scrapy框架,功能強大的網路爬蟲框架,“5+2結構”
ENGINE、SPIDERS、DOWNLOADER、ITEM PIPELENS、SCHEDULER模組
scrapy常用命令:
startproject 常見一個新工程 scrapy startproject <name> [dir]
genspider 建立一個爬蟲 scrapy genspider [opitions]<name>[domain]
settings 獲取爬蟲的配置資訊 scrapy settings [opitions]
crawl 執行一個爬蟲 scrapy crawl <spider>
list 列出工程中所有的爬蟲 scrapy list
shell 啟動URL除錯命令列 scrapy shell [url]
產生步驟
步驟1:建立一個爬蟲工程scrapy startproject python123demo
步驟2:在工程中產生一個爬蟲 scrapy genspider demo python123.io
步驟3:配置產生的spider爬蟲,更改demo.py檔案
步驟4:執行爬蟲,獲取網頁scrapy crawl demo
scrapy爬蟲的使用步驟
步驟1:建立一個工程和spider模板
步驟2:編寫spider
步驟3:編寫Item Pipelines
步驟4:優化配置策略
yield關鍵字
yield-生成器
生成器是不斷產生值的函式
包含yield語句的函式是一個生成器
生成器每次執行的時候回產生一個值(yield語句),函式被凍結,被喚醒後再產生一個值
例子:
def gen(n):
for i in range(n):
yield i**2
for i in gen(5):
print(i,' ',end='')
0 1 4 9 16
生成器就是生成一些資料,可以在生成器中遍歷這些資料
生成器更節省儲存空間,響應更迅速,使用更靈活
scrapy資料型別
Requsts類
Response類
Item類
Requests類
class scrapy.http.requests()
Request物件表示一個HTTP請求
由Spider生成,由Downloder執行
屬性和方法
.url Response對應的請求URL地址
.method 對應請求的方法,‘GET‘’POST’等
.headers 字典型別風格的請求頭
.body 請求內容的主體,字串型別
.meta 使用者新增的擴充套件資訊,在Scrapy內部模組間傳遞資訊使用
.copy() 複製該請求
Response類
class scrapy.http.Response()
Response物件表示一個http響應
用Downloader形成,由Spider處理
屬性和方法
.url .headers .body .copy()
.status 狀態碼,預設是200(表示成功)
.flags一組標記
.request 產生Response型別對應的Requests物件
Item類
class scrapy.item.Item()
Item物件表示一個從HTML頁面中提取的資訊內容
由Spider生成,由Item Pipelines處理
Item型別類似字典型別,可以按照字典型別操作
Scrapy爬蟲支援多種HTML資訊提取方法
BeautifulSoup
lxml
re
XPath Selector
CSS Selector
CSS Selector使用方法
<HTML>.css(‘a::attr(href)’).extract()#a是標籤名稱,href是標籤屬性++
setting.py檔案
CONCYRRENT_REQUESTS表示Downloade最大併發請求下載數量,預設32
CONCURRENT_ITEMS表示Item Pipelines最大併發ITEM處理數量,預設100
CONCURRENT_REQUESTS_PER_DOMAIN每個目標域名最大的開發請求數量,預設8
CONCURRENT_REQUESTS_PER_IP每個目標IP最大的併發請求數量,預設0,非0有效
相關文章
- python 筆記Python筆記
- python openpyxl筆記Python筆記
- python筆記(3)Python筆記
- python筆記3Python筆記
- Python筆記5Python筆記
- python筆記-5Python筆記
- python筆記2Python筆記
- python筆記1Python筆記
- Python學習筆記(隨筆)Python筆記
- Python入門筆記Python筆記
- Python 入門筆記Python筆記
- python筆記-函式Python筆記函式
- python3 筆記Python筆記
- Python每日筆記07Python筆記
- 筆記:初識Python筆記Python
- 筆記:Python函式筆記Python函式
- python筆記(一):序列Python筆記
- 【學習筆記】python筆記Python
- Python collections 模組筆記Python筆記
- python課程筆記Python筆記
- Python學習筆記Python筆記
- 新筆記 python 面試筆記Python面試
- python入門筆記1Python筆記
- python學習筆記4Python筆記
- python 中 pipenv 用法筆記Python筆記
- python學習筆記(二)Python筆記
- Python學習筆記 - aiohttpPython筆記AIHTTP
- Python 學習筆記(一)Python筆記
- Python學習筆記 - asyncioPython筆記
- Python科學工具筆記Python筆記
- Python學習筆記 - queuePython筆記
- Python學習筆記(2)Python筆記
- python學習筆記(1Python筆記
- Python學習筆記(三)Python筆記
- python 包安裝筆記Python筆記
- python基礎筆記1Python筆記
- python——numpy學習筆記Python筆記
- Python 物件導向筆記Python物件筆記