孤荷凌寒自学python第八十天开始写Python的第一个爬虫10

Posted 孤荷凌寒

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了孤荷凌寒自学python第八十天开始写Python的第一个爬虫10相关的知识,希望对你有一定的参考价值。

孤荷凌寒自学python第八十天开始写Python的第一个爬虫10

 

(完整学习过程屏幕记录视频地址在文末)

 

原计划今天应当可以解决读取所有页的目录并转而取出所有新闻的功能,不过由于学习时间不够,只是进一步优化了自定义函数的写法。

 

一、优化并新增了几个操作word文档的函数

```

#!/usr/bin/env python3

# -*- coding: utf-8 -*-

import string

import time

import random

 

from docx.enum.style import WD_STYLE_TYPE #所有样式 (包括段落、文字、表格)的枚举常量集

 

from docx.enum.text import WD_ALIGN_PARAGRAPH #对齐方式 的枚举常量集,不过在vscode中显示有错,事实又能够执行

 

from docx.enum.text import WD_LINE_SPACING #行间距的单位枚举常量集(包括:单倍行距,1.5倍行距,固定 值,最小值等)

 

from docx.oxml.ns import qn

from docx import *

 

from docx.shared import Inches #设置word中相关内容的计量单位为:英寸

from docx.shared import Pt  #设置word中相关内容的计量单位为:磅

 

from docx.shared import RGBColor #将三个数值生成色彩对象

 

import _mty

import _cl #常用常量模块

import _mre

 

mwordErrString=‘‘

 

def msgbox(info,titletext=‘孤荷凌寒的word模块对话框QQ578652607‘,style=0,isShowErrMsg=False):

    return _mty.msgboxGhlh(info,titletext,style,isShowErrMsg)

 

def newDocX(strfilenm,isShowMsg=False):

    ‘‘‘

    创建一个新的docx并保存在指定的路径下成为指定文件名的文件 。

    ‘‘‘

    try:

        f=Document() #创建新文档 对象

        f.save(strfilenm) #保存这个文件

        return f #f的类型是:<class ‘docx.document.Document‘>

    except Exception as e:

        mwordErrString=‘尝试创建一个新的word文件时出错:‘ + str(e) + ‘\n此函数由【孤荷凌寒】创建,QQ578652607‘

        if isShowMsg==True:

           msgbox(mwordErrString)

        return None

    else:

        pass

    finally:

        pass

 

def getStyle(f,strfont=‘宋体‘,fontsize=14,fontcolor=RGBColor(0,0,0),stralign=‘左对齐‘,strlinespacingstyle=‘固定值‘,intlinespace=20,intlinespacebefore=0,intlinespaceafter=0,intfirstlineindent=100000,isShowMsg=False):

    ‘‘‘

    返回一个段落样式

    ‘‘‘

    try:

        #---------------------------

        styles = f.styles

        fls=time.time()

        strr=‘ghlhStyle%s‘ %fls  #自定义的样式的名称

        strr=strr.replace(‘.‘,‘‘)

        strr=strr+ ‘‘.join(random.sample(‘zyxwvutsrqponmlkjihgfedcbaABCDEFGHIJKLMNOPQRST‘,5))

        s=styles.add_style(strr,WD_STYLE_TYPE.PARAGRAPH)

        s.font.name=strfont

        s.font.size=Pt(fontsize)

        s.font.color.rgb=fontcolor

        s._element.rPr.rFonts.set(qn(‘w:eastAsia‘), strfont) #除中文外其它文字 使用的字体 ,备选项

        #----选择正确的行距模式------------------------

        if strlinespacingstyle in ‘固定值,EXACTLY,固定行距,固定行间距‘:

            s.paragraph_format.line_spacing_rule=WD_LINE_SPACING.EXACTLY #段落行距样式为固定值,必须指定行距值,否则就会变成 多倍行距 模式

        elif strlinespacingstyle in ‘多行行距,多倍行距,多行距,MULTIPLE‘:

            s.paragraph_format.line_spacing_rule=WD_LINE_SPACING.MULTIPLE #多倍行距,此模式的具体行间距由文字字号大小决定,如果后面指定了行距值,此多倍行距设置会被忽略,变成固定值模式

        elif strlinespacingstyle in ‘单行行距,单倍行距,单行距,SINGLE‘:

            s.paragraph_format.line_spacing_rule=WD_LINE_SPACING.SINGLE #段落行距样式为单倍行距 模式

        elif strlinespacingstyle in ‘1.5行距,1.5倍行距,一行半行距,一行半倍行距,一点五行距,一点五倍行距,ONE_POINT_FIVE‘:

            s.paragraph_format.line_spacing_rule=WD_LINE_SPACING.ONE_POINT_FIVE #段落行距样式为 1.5倍行距 模式

        elif strlinespacingstyle in ‘双行行距,双倍行距,双行距,两行行距,两倍行距,两行距,二行行距,二倍行距,二行距,DOUBLE‘:

            s.paragraph_format.line_spacing_rule=WD_LINE_SPACING.DOUBLE #段落行距样式为 双倍行距 模式

        else:

            s.paragraph_format.line_spacing_rule=WD_LINE_SPACING.AT_LEAST #段落行距样式为 最小行距 模式

 

        s.paragraph_format.line_spacing=Pt(intlinespace) #行距值

        s.paragraph_format.space_before=Pt(intlinespacebefore) #段前距

        s.paragraph_format.space_after=Pt(intlinespaceafter) #段后距

 

        if intfirstlineindent==100000:

            #--这个形参的默认值表示,首行自动缩进两个字符宽度

            s.paragraph_format.first_line_indent=s.font.size * 2 #段落首行缩进量

        else:

            s.paragraph_format.first_line_indent=Pt(intfirstlineindent) #这时直接使用设置值

       

        #---接下来可调整对齐方式----

        astyle=WD_ALIGN_PARAGRAPH.LEFT #水平左对齐

        if stralign in ‘靠左对齐,左边对齐,左侧,left‘:

            astyle=WD_ALIGN_PARAGRAPH.LEFT #水平左对齐

        elif stralign in ‘居中对齐,中间对齐,center‘:

            astyle=WD_ALIGN_PARAGRAPH.CENTER #水平居中对齐

        elif stralign in ‘靠右对齐,右边对齐,右侧,right‘:

            astyle=WD_ALIGN_PARAGRAPH.RIGHT #水平右对齐

        elif stralign in ‘分散对齐,两边对齐,两侧对齐,两头对齐,头尾对齐,justify‘:

            astyle=WD_ALIGN_PARAGRAPH.JUSTIFY #水平分散对齐

        else:

            astyle=WD_ALIGN_PARAGRAPH.DISTRIBUTE

 

        s.paragraph_format.alignment=astyle

 

        return s

       

    except Exception as e:

        mwordErrString=‘尝试根据设置值返回一个段落的样式对象时出错:‘ + str(e) + ‘\n此函数由【孤荷凌寒】创建,QQ578652607‘

        if isShowMsg==True:

           msgbox(mwordErrString)

        return f.styles[‘Normal‘]

    else:

        pass

    finally:

        pass

 

def addPToDocx(f,strp,strfont=‘宋体‘,fontsize=14,fontcolor=RGBColor(0,0,0),stralign=‘左对齐‘,strlinespacingstyle=‘固定值‘,intlinespace=20,intlinespacebefore=0,intlinespaceafter=0,intfirstlineindent=100000,isShowMsg=False):

    ‘‘‘

    如果传入用\n分割的多个段落的文本字符串,那么将被 分段添加到docx文档中。

    ‘‘‘

    try:

        lst=strp.split(‘\n‘)

        #---------------------------

        s=getStyle(f,strfont,fontsize,fontcolor,stralign,strlinespacingstyle,intlinespace,intlinespacebefore,intlinespaceafter,intfirstlineindent,isShowMsg)

        #-------------------------------

        for i in lst:

            i.strip()

            try:

                stralign=stralign.lower()

                strlinespacingstyle=strlinespacingstyle.upper()

                strfont.decode(‘utf-8‘)

            except:

                pass

            #---先指定样式------------------------

            p=f.add_paragraph(i)

            p.style=s #--指定刚才自定义的样式

 

        return True

    except Exception as e:

        mwordErrString=‘尝试将来自网页的内容写入word文档正文时出错:‘ + str(e) + ‘\n此函数由【孤荷凌寒】创建,QQ578652607‘

        if isShowMsg==True:

           msgbox(mwordErrString)

        return False

    else:

        pass

    finally:

        pass

   

def setAPstyle(f,p,strfont=‘宋体‘,fontsize=14,fontcolor=RGBColor(0,0,0),stralign=‘左对齐‘,strlinespacingstyle=‘固定值‘,intlinespace=20,intlinespacebefore=0,intlinespaceafter=0,intfirstlineindent=100000,isShowMsg=False):

    ‘‘‘

    修改一个段落的格式。

    ‘‘‘

    try:

        #---------------------------

        s=getStyle(f,strfont,fontsize,fontcolor,stralign,strlinespacingstyle,intlinespace,intlinespacebefore,intlinespaceafter,intfirstlineindent,isShowMsg)

 

        p.style=s #--指定刚才自定义的样式

 

        return True

    except Exception as e:

        mwordErrString=‘尝试修改word文档中指定的一个段落的格式时出错:‘ + str(e) + ‘\n此函数由【孤荷凌寒】创建,QQ578652607‘

        if isShowMsg==True:

           msgbox(mwordErrString)

        return False

    else:

        pass

    finally:

        pass

 

def setMultPstyle(f,intStartP,intEndP,strfont=‘宋体‘,fontsize=14,fontcolor=RGBColor(0,0,0),stralign=‘左对齐‘,strlinespacingstyle=‘固定值‘,intlinespace=20,intlinespacebefore=0,intlinespaceafter=0,intfirstlineindent=100000,isShowMsg=False):

    ‘‘‘

    修改多个段落的格式。

    ‘‘‘

    try:

        if intEndP>=len(f.paragraphs):

            intEndP=len(f.paragraphs)-1

        if intStartP>intEndP:

            intStartP=intEndP

        #--------------------------

        s=getStyle(f,strfont,fontsize,fontcolor,stralign,strlinespacingstyle,intlinespace,intlinespacebefore,intlinespaceafter,intfirstlineindent,isShowMsg)

 

        intc=intEndP-intStartP+1

        index=intStartP-1

        x=range(intc)

        for i in x:

            index=index+1

            f.paragraphs[index].style=s #--指定刚才自定义的样式

 

        return True

    except Exception as e:

        mwordErrString=‘尝试修改word文档中指定的多个段落的格式时出错:‘ + str(e) + ‘\n此函数由【孤荷凌寒】创建,QQ578652607‘

        if isShowMsg==True:

           msgbox(mwordErrString)

        return False

    else:

        pass

    finally:

        pass

 

```

 

二、然后修改了一下测试代码:

 

 

```

import requests

from bs4 import BeautifulSoup

import re

import datetime

import pymongo

 

from docx.shared import RGBColor #将三个数值生成色彩对象

 

import _mty

import _mf

import _mbs4

import _mmongo

import _mre

import _mdb

import _mword

 

intc=0

 

def msgbox(info,titletext=‘孤荷凌寒的DB模块对话框QQ578652607‘,style=0,isShowErrMsg=False):

    return _mty.msgboxGhlh(info,titletext,style,isShowErrMsg)

 

def myfirst(s,h):

 

    c2=_mdb.conLocaldbGhlh(r‘C:\ProgramData\SQLITE3\slone.s3db‘)

    lstNm=[‘id‘,‘title‘,‘newdate‘,‘source‘,‘content‘,‘adddate‘]

    lstType=[‘int‘,‘string‘,‘date‘,‘str‘,‘memo‘,‘date‘]

    lstLong=[0,255,0,255,0,0]

    lstNull=[‘not null‘,‘not null‘,‘not null‘,‘null‘,‘not null‘,‘null‘]

    lstPrimary=[True,False,False,False,False,False]

    lstAuto=[True,False,False,False,False,False]

 

    c3=_mdb.conLocaldbGhlh(r‘C:\ProgramData\SQLITE3\new163.accdb‘)

 

    strt=‘news163‘

    a=_mdb.newTablePlusGhlh(‘sqlite‘,c2,strt,lstNm,lstType,lstLong,lstNull,lstPrimary,lstAuto)

    msgbox(str(a))

    cursor=c2.cursor()

 

    b=_mdb.newTablePlusGhlh(‘acc‘,c3,strt,lstNm,lstType,lstLong,lstNull,lstPrimary,lstAuto)

    cursor3=c3.cursor()

 

    cursor.execute(‘select * from ‘ + strt + ‘;‘)

    data=cursor.fetchall()

    for i in data:

        msgbox(str(i))

 

    cursor3.execute(‘select * from ‘ + strt + ‘;‘)

    data=cursor3.fetchall()

    for i in data:

        msgbox(str(i))

 

    #return True

 

    #-------------------------

    r=requests.get(s,headers=h)

    #print(r.text) #r.text得到的是页面源html代码

    _mf.writeAllTextToTxtFileGhlh(‘1.txt‘,r.text)

    bs=BeautifulSoup(r.text,features="lxml") #第二个参数指明了解析器,得到的是一个beautifulsoup对象

    s=bs.prettify()

    _mf.writeAllTextToTxtFileGhlh(‘2.txt‘,str(s))

    rs=bs.select(‘.bigsize‘) #选择指定style样式表的html标签元素

    for i in rs:

        ele=i.find_all(‘a‘) #每个h5标签下只有一个a标签

        strls=ele[0].get(‘href‘)

        #msgbox(strls) #取出地址

        getcontentpage(strls,h,c2,cursor,c3,cursor3,strt)

        #break

    #---------------------

    #cursor.execute(‘select * from ‘ + strt + ‘;‘)

    #data=cursor.fetchall()

    #for i in data:

    #    msgbox(str(i))

 

    #cursor3.execute(‘select * from ‘ + strt + ‘;‘)

    #data=cursor3.fetchall()

    #for i in data:

    #    msgbox(str(i))

   

 

def getcontentpage(strurl,h,c2,cursor,c3,cursor3,strt):

    r=requests.get(strurl,headers=h)

    _mf.writeAllTextToTxtFileGhlh(‘3.txt‘,r.text)

    bs=BeautifulSoup(r.text,features="lxml") #第二个参数指明了解析器,得到的是一个beautifulsoup对象

    s=bs.prettify()

    _mf.writeAllTextToTxtFileGhlh(‘4.txt‘,str(s))

    #---------------------------

    #eletemp=bs.find_all("#epContentLeft") #现在eletemp是一个rs集合对象

    #上一句是错误的,通过html标签对象的id值来查找应当使用的方法是:select方法

    eletemp=bs.select(‘#epContentLeft‘) #list

    #msgbox(str(type(eletemp)))

    eletitleparent=eletemp[0] #bs.element.Tag

    #msgbox(str(type(eletitleparent)))

    eletitle=eletitleparent.h1

    elesource=eletitleparent.div #elesource这种对象现在被称为:bs.element.Tag对象,可以被转换为列表,但不是列表

    #msgbox(str(elesource))

    strtitle=_mbs4.getAllTextGhlh(eletitle)

    strdate=list(elesource)[0]

    strdate=_mre.getDateAndTimeString(strdate)

    strsource=_mbs4.getAllTextGhlh(elesource.a)

    #msgbox(strtitle)

    #msgbox(strsource)

    #msgbox(strdate)

    #取正文

    elecontent=bs.select(‘#endText‘) #所有的正文内容都这个div中,elecotent是一个List?

    strcontent=_mbs4.getAllTextGhlh(elecontent)

    data={

        u‘标题‘:strtitle,

        u‘日期‘:strdate,

        u‘来源‘:strsource,

        u‘内容‘:strcontent,

        u‘添加日期‘:datetime.datetime.now().__format__(‘%Y-%m-%d %H:%M:%S‘)

    }

    #msgbox(str(data))

 

    #写入Mongodb数据库

    c=_mmongo.conMongoDbGhlh(‘localhost‘)

    db=c.news163

    jh=db.first

    isok=_mmongo.addNewDataGhlh(jh,data)

    #msgbox(isok)

    #写入sqlite3和ACCESS数据库

    try:

        strsql="insert into " + strt + "(title,newdate,source,content,adddate) values(‘" + strtitle + "‘,‘" + strdate + "‘,‘" + strsource + "‘,‘" + strcontent + "‘,‘" + datetime.datetime.now().__format__(‘%Y-%m-%d %H:%M:%S‘) + "‘);"

        cursor.execute(strsql)

        cursor3.execute(strsql)

 

        c2.commit()

        c3.commit()

    except:

        msgbox(‘出错了‘)

 

    #写入word文档

    try:

        global intc

        intc=intc+1

        strf=‘%03d‘ %intc

        strf=strf + ‘.docx‘

        strf=‘I:\\MAKEAPP\\python\\Python365\\边学习边测试文件夹\\自学PYTHON部分\\0080第八十天爬虫实战10\\docs\\‘ + strf

        f=_mword.newDocX(strf)

        _mword.addPToDocx(f,strtitle,‘黑体‘,28,RGBColor(0,0,100),‘c‘,‘固定‘,22,0,20,0)

        #f.add_heading(strtitle,level=2) #这是添加标题段的方式 添加

        #f.add_heading(strsource,level=3)

        _mword.addPToDocx(f,strcontent)

 

        f.save(strf) #保存时必须有文件名作参数

        #f.close() #没有这个命令

 

    except:

        msgbox(‘写word出错!‘)

        pass

 

strurl=‘http://tech.163.com/special/techscience/‘

header={

‘Accept‘:‘text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8‘,

‘Accept-Encoding‘:‘gzip, deflate‘,

‘Accept-Language‘:‘zh-CN,zh;q=0.9‘,

‘Cache-Control‘:‘max-age=0‘,

‘Connection‘:‘keep-alive‘,

‘Cookie‘:‘_ntes_nuid=4c64ad6c80e3504f05302ac133efb277; _ntes_nnid=eb7c24e0daf48e922e31dc81e431fde2,1536978956105; Province=023; City=023; NNSSPID=acab5be191004a2b81a3a6ee60f516dc; NTES_hp_textlink1=old; UM_distinctid=1683adcaeaf2f8-0e31bcdad8532c-3c604504-144000-1683adcaeb094d; vjuids=-7a5afdb26.1683adccded.0.d9d34439a4e48; vjlast=1547175776.1547175776.30; ne_analysis_trace_id=1547175775731; s_n_f_l_n3=7476c45eb02177f91547175775852; vinfo_n_f_l_n3=7476c45eb02177f9.1.0.1547175775852.0.1547176062972‘,

‘Host‘:‘tech.163.com‘,

‘If-Modified-Since‘:‘Fri, 11 Jan 2019 03:01:05 GMT‘,

‘Referer‘:‘http://tech.163.com/‘,

‘Upgrade-Insecure-Requests‘:‘1‘,

‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36‘

}

 

header2={

    ‘Host‘:‘tech.163.com‘,

    ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36‘

}

 

myfirst(strurl,header2)

```

 

 

四、今天的其它收获小结:

为一个段落对象指定style对象的方法是

 

段落对象.style=style对象

 

即先预先在style对象中指明各种样式参数,然后赋值给段落对象的.style属性即可随时更改段落对象的样式。

 

而且发现自定义的style样式,是不能通过指定样式名的字符串方式指定对段落对象的。

 

只有word中的预定义的style样式才能通过样式名的字符串方式指定给段落对象。

——————————

今天整理的学习笔记完成,最后例行说明下我的自学思路:

根据过去多年我自学各种编程语言的经历,认为只有真正体验式,解决实际问题式的学习才会有真正的效果,即让学习实际发生。在2004年的时候我开始在一个乡村小学自学电脑 并学习vb6编程语言,没有学习同伴,也没有高师在上,甚至电脑都是孤岛(乡村那时还没有网络),有的只是一本旧书,在痛苦的自学摸索中,我找到适应自己零基础的学习方法:首先是每读书的一小节就作相应的手写笔记,第二步就是上机测试每一个笔记内容是否实现,其中会发现书中讲的其实有出入或错误,第三步就是在上机测试之后,将笔记改为电子版,形成最终的修订好的正确无误的学习笔记 。

通过反复尝试错误,在那个没有分享与交流的黑暗时期我摸黑学会了VB6,尔后接触了其它语言,也曾听过付费视频课程,结果发现也许自己学历果然太低,就算是零基础的入门课程,其实也难以跟上进度,讲师的教学多数出现对初学者的实际情况并不了解的情况,况且学习者的个体也存在差异呢?当然更可怕的是收费课程的价格往往是自己难以承受的。

于是我的所有编程学习都改为了自学,继续自己的三步学习笔记法的学习之路。

当然自学的最大问题是会走那么多的弯路,没有导师直接输入式的教学来得直接,好在网络给我们带来无限搜索的机会,大家在网络上的学习日志带给我们共享交流的机会,而QQ群等交流平台、网络社区的成立,我们可以一起自学,互相批评交流,也可以获得更有效,更自主的自学成果。

于是我以人生已过半的年龄,决定继续我的编程自学之路,开始学习python,只希望与大家共同交流,一个人的独行是可怕的,只有一群人的共同前进才是有希望的。

诚挚期待您的交流分享批评指点!欢迎联系我加入从零开始的自学联盟。

这个时代互联网成为了一种基础设施的存在,于是本来在孤独学习之路上的我们变得不再孤独,因为网络就是一个新的客厅,我们时刻都可以进行沙龙活动。

非常乐意能与大家一起交流自己自学心得和发现,更希望大家能够对我学习过程中的错误给予指点——是的,这样我就能有许多免费的高师了——这也是分享时代,社区时代带来的好福利,我相信大家会的,是吧!

 

根据完全共享的精神,开源互助的理念,我的个人自学录制过程是全部按4K高清视频录制的,从手写笔记到验证手写笔记的上机操作过程全程录制,但因为4K高清文件太大均超过5G以上,所以无法上传至网络,如有需要可联系我QQ578652607对传,乐意分享。上传分享到百度网盘的只是压缩后的720P的视频。

 

我的学习过程录像百度盘地址分享如下:(清晰度:1280x720)

链接:https://pan.baidu.com/s/1jCxMh5aswv8In09ny2IiaQ

提取码:lg9r

 

Bilibili:

https://www.bilibili.com/video/av40975037/

 

喜马拉雅语音笔记:

https://www.ximalaya.com/keji/19103006/155715960

以上是关于孤荷凌寒自学python第八十天开始写Python的第一个爬虫10的主要内容,如果未能解决你的问题,请参考以下文章

孤荷凌寒自学python第五十天第一次接触NoSql数据库_Firebase

孤荷凌寒自学python第八十二天学习爬取图片2

孤荷凌寒自学python第八十四天搭建jTessBoxEditor来训练tesseract模块

孤荷凌寒自学python第八十六天对selenium模块进行较详细的了解

孤荷凌寒自学python第八十三天初次接触ocr配置tesseract环境

孤荷凌寒自学python第六十二天学习mongoDB的基本操作并进行简单封装1