python爬取各类文档方法归类小结

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。

1. 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。

### Reading TXT doc ###from urllib.request import urlopenfrom urllib.error import URLError,HTTPErrorimport retry:    textPage = urlopen("http://www.pythonscraping.com/pages/warandpeace/chapter1.txt")except (URLError,HTTPError) as e:    print("Errors:\n")    print(e)#print(textPage.read())text = str(textPage.read())#下面方法用正则匹配含1805的句子pattern = re.compile("\..*1805(\w|,|\s|-)*(\.)")#不完美，简单示例match = pattern.search(text)if match is not None:    print(match.group())#下面方法不用正则。先用.将句集分片，之后就可遍历了。ss = text.split('.')key_words = "1805"words_list = [x.lower() for x in key_words.split()]for item in ss:    if all([word in item.lower() and True or False for word in words_list]):        print(item)

上面的方法是已知目标网页为txt文本时的抓取。事实上，在自动抓取网页时，必须考虑目标网页是否为纯文本，用何种编码等问题。
如果只是编码问题，可以简单使用print(textPage.read(),’utf-8’)等python字符处理方法来解决，如果抓取的是某个HTML，最好先分析，例如：

from urllib.request import urlopenfrom urllib.error import URLError,HTTPErrorfrom bs4 import BeautifulSouptry:    html = urlopen("https://en.wikipedia.org/wiki/Python_(programming_language)")except (URLError,HTTPError) as e:    print(e)try:    bsObj = BeautifulSoup(html,"html.parser")    content = bsObj.find("div",{"id":"mw-content-text"}).get_text()except AttributeError as e:    print(e)meta = bsObj.find("meta")#print(bsObj)if meta.attrs['charset'] == 'UTF-8':    content = bytes(content,"UTF-8")    print("-----------------UTF-8--------------")    print(content.decode("UTF-8"))if meta.attrs['charset'] == 'iso-8859-1':    content = bytes(content,"iso-8859-1")    print("--------------iso-8859-1------------")    print(content.decode("iso-8859-1"))

2.抓取CSV文档
CSV文件是一种常见的数据存档文件，与TXT文档基本类似，但在内容组织上有一定格式，文件的首行为标题列，之后的文件中的每一行表示一个数据记录。这就像一个二维数据表或excel表格一样。 python3中包含一个csv解析库，可用于读写csv文件，但其读取目标一般要求是在本地，要读取远程网络上的csv文件需要用urllib.request.urlopen先获取。例如：

#csv远程获取，内存加载读取from urllib.request import urlopenimport csvfrom io import StringIO#在内存中读写str，如果要操作二进制数据，就需要使用BytesIOtry:   data = urlopen("http://pythonscraping.com/files/MontyPythonAlbums.csv").read().decode("ascii","ignore")except (URLError,HTTPError) as e:    print("Errors:\n")    print(e)dataFile = StringIO(data)csvReader = csv.reader(dataFile)count = 0for row in csvReader:    if count < 10:        print(row)    else:        print("...\n...")        break    count += 1 #将数据写入本地csv文件with open("./localtmp.csv","wt",newline='',encoding='utf-8') as localcsvfile:    writer = csv.writer(localcsvfile)    count = 0        try:        for row in csvReader:            if count < 10:                writer.writerow(row)            else:                break            count += 1    finally:        localcsvfile.close()

csv文档的标题行（首行）需要特殊处理，csv.DictReader可以很好的解决这个问题。DictReader将读取的行转换为python字典对象，而不是列表。标题行的各列名即为字典的键名。

#csv.DictReader读取csv文件，可以有效处理标题行等问题from urllib.request import urlopenimport csvfrom io import StringIO#在内存中读写str，如果要操作二进制数据，就需要使用BytesIOtry:   data = urlopen("http://pythonscraping.com/files/MontyPythonAlbums.csv").read().decode("ascii","ignore")except (URLError,HTTPError) as e:    print("Errors:\n")    print(e)dataFile = StringIO(data)csvReader = csv.reader(dataFile)dictReader = csv.DictReader(dataFile)print(dictReader.fieldnames)count = 0for row in dictReader:    if count < 10:        print(row)    else:        print("...\n...")        break    count += 1 

3.抓取PDF文档
pdf文档的远程抓取与操作，可借助比较流行的pdfminer3k库来完成。

#抓取并操作pdf#pdf READ operationfrom urllib.request import urlopenfrom pdfminer.pdfinterp import PDFResourceManager,process_pdffrom pdfminer.converter import TextConverterfrom pdfminer.layout import LAParamsfrom io import StringIO,opendef readPDF(filename):    resmgr = PDFResourceManager()#STEP 1    retstr = StringIO()#STEP 2    laparams = LAParams()#STEP 3    device = TextConverter(resmgr,retstr,laparams=laparams)#STEP 4    process_pdf(resmgr,device,filename)#STEP 5    device.close()#STEP 6    content = retstr.getvalue()    retstr.close()    return contenttry:   pdffile = urlopen("http://www.fit.vutbr.cz/research/groups/speech/servite/2010/rnnlm_mikolov.pdf")except (URLError,HTTPError) as e:    print("Errors:\n")    print(e)outputString = readPDF(pdffile)#也可以读取由pdffile=open("../../readme.pdf")语句打开的本地文件。print(outputString)pdffile.close()

4.抓取WORD
老版word使用了二进制格式，后缀名为.doc，word2007后出现了与OPEN OFFICE类似的类XML格式文档，后缀名为.docx。python对word文档的支持不够，似乎没有完美解决方案。为读取docx内容，可以使用以下方法：
（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）将解压后文件作为xml读取
（5）寻找xml中的标签（正文内容）并处理

#读取word docx文档内容from zipfile import ZipFilefrom urllib.request import urlopenfrom io import BytesIOfrom bs4 import BeautifulSoupwordFile = urlopen("http://pythonscraping.com/pages/AWordDocument.docx").read()wordFile = BytesIO(wordFile)document = ZipFile(wordFile)#xml_content = document.read("word/document.xml")#print(xml_content.decode("utf-8"))wordObj = BeautifulSoup(xml_content.decode("utf-8"),"lxml")textStrings = wordObj.findAll("w:t")for textElem in textStrings:    print(textElem.text)

1. 抓取EXCEL

2. 抓取HTML源文档

3. 抓取HTML表单数据

4. 抓取Javascript数据