综述
本系列文档用于对Python爬虫技术的学习进行简单的教程讲解,巩固自己技术知识的同时,万一一不小心又正好对你有用那就更好了。
Python 版本是3.7.4
前面两篇记述了如何使用json、csv进行数据存储,本篇记述和使用txt存储数据。
txt 介绍
将数据保存到txt文本的操作非常简单,而且txt文本几乎兼容任何平台,但是这有个缺点,那就是不利于检索。所以如果对检索和数据结构要求不高,追求方便第一的话,可以采用txt文本存储。本节中,我们就来看下如何利用Python保存txt文本文件。
示例代码
# 引入所需库
import requests
from pyquery import PyQuery as pq
# 开源中国博客
url = 'https://www.oschina.net/blog'
# 定义请求头
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
}
# 进行请求
req = requests.get(url, headers=headers)
html = req.text
# 解析并获取数据
doc = pq(html)
items = doc('div.blog-list-container div.blog-item').items()
for item in items:
# 博客标题
title = item.find('div.content a').text()
# 博客简介
content = item.find('div.description p').text()
# 写入文件
file = open('blog.txt', 'a', encoding='utf-8')
file.write('\n'.join([title, content]))
file.write('\n' + '=' * 50 + '\n')
file.close()
此示例代码演示抓取开源中国博客页内容,并将博客标题和博客简介写入txt文件中。这里主要是为了演示文件保存的方式,因此对requests异常不再做处理。
首先,用requests提取开源中国的博客页面,然后将博客的标题,简介提取出来,然后利用Python提供的open()方法打开一个文本文件,获取一个文件操作对象,这里赋值为file,接着利用file对象的write()方法将提取的内容写入文件,最后调用close()方法将其关闭,这样抓取的内容即可成功写入文本中了。
这里open()方法的第一个参数即要保存的目标文件名称,第二个参数为a
,代表以追加方式写入到文本。另外,我们还指定了文件的编码为utf-8。最后,写入完成后,还需要调用close()方法来关闭文件对象。
文件打开方式
在上面的代码实例中,open()方法的第二个参数设置成了a
,这样在每次写入文本时不会清空源文件,而是在文件末尾写入新的内容,这是一种文件打开方式。关于文件的打开方式,其实还有其他几种,这里简要介绍一下:
a
: 以追加方式打开一个文件。如果该文件已存在,文件指针将会放在文件结尾。也就是说,新的内容将会被写入到已有内容之后。如果该文件不存在,则创建新文件来写入。ab
: 以二进制追加方式打开一个文件。如果该文件已存在,则文件指针将会放在文件结尾。也就是说,新的内容将会被写入到已有内容之后。如果该文件不存在,则创建新文件来写入。a+
: 以读写方式打开一个文件。如果该文件已存在,文件指针将会放在文件的结尾。文件打开时会是追加模式。如果该文件不存在,则创建新文件来读写。ab+
: 以二进制追加方式打开一个文件。如果该文件已存在,则文件指针将会放在文件结尾。如果该文件不存在,则创建新文件用于读写。r
: 以只读方式打开文件。文件的指针将会放在文件的开头。这是默认模式。rb
: 以二进制只读方式打开一个文件。文件指针将会放在文件的开头。r+
: 以读写方式打开一个文件。文件指针将会放在文件的开头。rb+
: 以二进制读写方式打开一个文件。文件指针将会放在文件的开头。w
: 以写入方式打开一个文件。如果该文件已存在,则将其覆盖。如果该文件不存在,则创建新文件。wb
: 以二进制写入方式打开一个文件。如果该文件已存在,则将其覆盖。如果该文件不存在,则创建新文件。w+
: 以读写方式打开一个文件。如果该文件已存在,则将其覆盖。如果该文件不存在,则创建新文件。wb+
以二进制读写格式打开一个文件。如果该文件已存在,则将其覆盖。如果该文件不存在,则创建新文件。
with ** as **
文件还有另外一种写法,那就是with ** as **
语法,在with
控制块结束时,文件会自动关闭,所以就不再需要掉用close()
方法进行关闭文件,示例代码如下:
# 引入所需库
import requests
from pyquery import PyQuery as pq
# 开源中国博客
url = 'https://www.oschina.net/blog'
# 定义请求头
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
}
# 进行请求
req = requests.get(url, headers=headers)
html = req.text
# 解析并获取数据
doc = pq(html)
items = doc('div.blog-list-container div.blog-item').items()
for item in items:
# 博客标题
title = item.find('div.content a').text()
# 博客简介
content = item.find('div.description p').text()
# 写入文件
with open('blog.txt', 'a', encoding='utf-8') as file:
file.write('\n'.join([title, content]))
file.write('\n' + '=' * 50 + '\n')