本文的文字及圖片來源于網路,僅供學習、交流使用,不具有任何商業用途,如有問題請及時聯系我們以作處理，
以下文章來源于python教程，作者：小雨
剛接觸Python的新手、小白，可以復制下面的鏈接去免費觀看Python的基礎入門教學視頻
https://v.douyu.com/author/y6AZ4jn9jwKW前言
HTML檔案是互聯網上的主要檔案型別，但還存在如TXT、WORD、Excel、PDF、csv等多種型別的檔案，網路爬蟲不僅需要能夠抓取HTML中的敏感資訊，也需要有抓取其他型別檔案的能力，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，
抓取TXT檔案
在python3下，常用方法是使用urllib.request.urlopen方法直接獲取，之后利用正則運算式等方式進行敏感詞檢索，
如果抓取的是某個HTML，最好先分析，例如：
抓取CSV檔案
抓取PDF檔案
抓取word
方法：
（1）利用urlopen抓取遠程word docx檔案；
（2）將其轉換為記憶體位元組流；
（3）解壓縮（docx是壓縮后檔案）；
（4）將解壓后的檔案作為xml讀取
（5）尋找xml中的標簽（正文內容）并處理
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/227886.html
標籤：其他
上一篇：Spring事務總結