HTML文檔是互聯(lián)網(wǎng)上的主要文檔類型，但還存在如TXT、WORD、Excel、PDF、csv等多種類型的文檔。網(wǎng)絡(luò)爬蟲不僅需要能夠抓取HTML中的敏感信息，也需要有抓取其他類型文檔的能力。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。

1.抓取TXT文檔

在python3下，常用方法是使用urllib.request.urlopen方法直接獲取。之后利用正則表達式等方式進行敏感詞檢索。

### 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())#下面方法用正則匹配含1805的句子pattern = re.compile("/..*1805(/w|,|/s|-)*(/.)")#不完美，簡單示例match = pattern.search(text)if match is not None: print(match.group())#下面方法不用正則。先用.將句集分片，之后就可遍歷了。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標網(wǎng)頁為txt文本時的抓取。事實上，在自動抓取網(wǎng)頁時，必須考慮目標網(wǎng)頁是否為純文本，用何種編碼等問題。

如果只是編碼問題，可以簡單使用print(textPage.read(),'utf-8')等python字符處理方法來解決，如果抓取的是某個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文檔

CSV文件是一種常見的數(shù)據(jù)存檔文件，與TXT文檔基本類似，但在內(nèi)容組織上有一定格式，文件的首行為標題列，之后的文件中的每一行表示一個數(shù)據(jù)記錄。這就像一個二維數(shù)據(jù)表或excel表格一樣。 python3中包含一個csv解析庫，可用于讀寫csv文件，但其讀取目標一般要求是在本地，要讀取遠程網(wǎng)絡(luò)上的csv文件需要用urllib.request.urlopen先獲取。例如：

#csv遠程獲取，內(nèi)存加載讀取from urllib.request import urlopenimport csvfrom io import StringIO#在內(nèi)存中讀寫str，如果要操作二進制數(shù)據(jù)，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 #將數(shù)據(jù)寫入本地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()