本文的文字及圖片來源於網路,僅供學習、交流使用,不具有任何商業用途,如有問題請及時聯絡我們以作處理。

以下文章來源於python教程，作者：小雨

剛接觸Python的新手、小白，可以複製下面的連結去免費觀看Python的基礎入門教學視訊

https://v.douyu.com/author/y6AZ4jn9jwKW

前言

HTML文件是網際網路上的主要文件型別，但還存在如TXT、WORD、Excel、PDF、csv等多種型別的文件。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文件的能力。下面簡要記錄一些個人已知的基於python3的抓取方法，以備查閱。

抓取TXT文件

在python3下，常用方法是使用urllib.request.urlopen方法直接獲取。之後利用正則表示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文件

抓取PDF文件

抓取word

方法：

（1）利用urlopen抓取遠端word docx檔案；

（2）將其轉換為記憶體位元組流；

（3）解壓縮（docx是壓縮後文件）；

（4）將解壓後的檔案作為xml讀取

（5）尋找xml中的標籤（正文內容）並處理