python爬虫语法

注释

单行注释 #
多行注释 ‘’’注释内容’’’

变量类型

和java不同不需要定义数据类型 变量名=变量值

Numbers（数字）：int（有符号整型）、long（长整型[也可以代表八进制和16进制]）、float（浮点型）、complex（复数）
布尔类型：True、False
String（字符串）
List（列表） 获取下标list[0]
Tuple（元组）
Dictionary（字典）

查看数据类型 type(变量)

类型转换

bool类型转换对非0的都是true，字符串、列表、元组、字典为空bool类型转换为false

运算符

赋值运算符

单变量赋值：a=10、b=c=20 b=20、c=20
多变量赋值：d,e,f=1,2,3 d=1、e=2、f=3

复合赋值运算符

比较运算符

逻辑运算符

输入（返回的值默认是str）

password=input(“请输入密码”)
print(password)

输出为：

请输入密码8888
8888

格式化输出

%s 代表的是字符串 %d 代表的是数值

age=18
name=”ssosn”
print(“我的名字是%s,我的年龄是%d” % (name,age))

输出为：我的名字是ssosn,我的年龄是18

流程控制语句

if

if 判断条件:

	代码（判断条件为true执行的内容）
1

else:

	判断条件为false执行的内容
1

if 判断条件:

	代码（判断条件为true执行的内容）
1

elif 判断条件:

	代码（判断条件为true执行的内容）
1

else:

	以上if判断条件均为false执行的内容
1

for

for 变量 in 要遍历的数据:

	方法体
1

range（左闭右开区间）
range(起始值,结束值,步长)

for i in range(5):

	print(i) #输出：0 1 2 3 4
1

for i in range(1,5):

	print(i) #输出：1 2 3 4
1

for i in range(1,5,2):

	print(i) #输出：1 3
1

可通过遍历列表下标：

a_list=[“周杰伦”,”林俊杰”,”许嵩”]
for i in range(len(a_list)):

	print(i) #输出数组下标：0 1 2
1

字符串高级

获取长度:len len函数可以获取字符串的长度。

输出：5

查找内容:find 查找指定内容在字符串中是否存在，如果存在就返回该内容在字符串中第一次出现的开始位置索引值，如果不存在，则返回-1.

输出：4

判断:startswith,endswith 判断字符串是不是以谁谁谁开头/结尾计算对应true/false

输出：false false

出现次数:count返回 str在start和end之间 在 mystr里面出现的次数

输出：2

替换内容:replace 替换字符串中指定的内容，如果指定次数count，则替换不会超过count次。

输出：ddddd

切割字符串:split 通过参数的内容切割字符串

输出：[‘1’,’2’,’3’]

修改大小写:upper,lower 将字符串中的大小写互换

输出：china

空格处理:strip 去空格

输出：1

字符串拼接:join 字符串拼接

输出：haealalao

列表高级 []

列表查找

列表删除

del：根据列表下标进行删除

a_list=[1,2,3,4]
del a_list[2]

输出：[1,2,4]

pop：删除列表中的最后一个元素

a_list=[1,2,3,4]
a_list.pop()

输出：[1,2,3]

remove：根据元素的值进行删除

a_list=[1,2,3,4]
a_list.remove(3)

输出：[1,2,4]

元组高级 ()

元组的元素不能修改，列表的元素可以修改

a_tuple=(1,2,3,4)

通过下标获取值

a_tuple[0]

#元组中的元素只有一个，那么踏实整型数据
#定义只有一个元素的元组，需要在卫衣的元素后写一个逗号a_tuple=(5,)

a_tuple=(5)
print(type(a_tuple))

切片

切片是指对操作的对象截取其中一部分的操作。字符串、列表、元组都支持切片操作
切片的语法：[起始:结束:步长]

示例：获取字符串最后四位

rs=“asdsa/ddsad/sssss.jpg”
rs=rs[-4:]
print(rs)

或者使用

rs = “asdsa/ddsad/sssss.jpg”
dot_index = rs.rfind(“.”) # 找到最后一个"."
suffix = rs[dot_index:] # 获取".后面的数据"
print(suffix)

字典高级 {}（类似java中的map）
查看元素


修改元素
字典的每个元素中的数据是可以修改的，只要通过key找到，即可修改

添加元素

删除元素

del删除整个字典
del info

clear删除整个字典

del clear() #清空指的是将字典中的所有数据都删除掉，保留字典的结构

字典遍历
1：遍历字典的key

for key in info.keys():
print(key)

2：遍历字典的value

for value in info.values():
print(value)

3：遍历字典的key/value

for key,value in info.items():
print(key,value)

4：遍历字典的项或者元素 ”name”:”monitor” 就是一个项或者元素

for item in info.items():
print(item)

函数的定义和调用
函数定义

def 函数名(参数名):

	代码
1

函数调用

#关键字传参

sum(b=200,a=100)

函数返回值

文件

打开/创建文件

访问模式：w（可写）r（可读）a（在原来的基础上追加）

fp=open(“test.txt”,“w”)
或者
with open(“douban.json”,“w”,encoding=“utf-8”) as fr:
fr.write(“内容”);

写入内容 如果文件存在会覆盖原来的数据

fp.write(“hello world”*5)
#文件的关闭
fp.close()

读取文件

访问模式：w（可写） r（可读） a（在原来的基础上追加）

fp=open(“test.txt”,“r”)
或者

with open(“douban.json”,“r”,encoding=“utf-8”) as fr:

	 content=fr.read();
1

readlines按照行读取，会以列表的形式返回，每个下标就是一行的数据

readline读取第一行的数据

content=fp.readline()
print(content)

序列化和反序列化
通过文件操作，我们可以将字符串写入到一个本地文件。但是，如果是一个对象(例如列表、字典、元组等)，就无法直接写入到一个文件里，需要对这个对象进行序列化，然后才能写入到文件里。
设计一套协议，按照某种规则，把内存中的数据转换为字节序列，保存到文件，这就是序列化，反之，从文件的字节序列恢复到内存中，就是反序列化。
对象—》字节序列=序列化字节序列–》对象=反序列化
Python中提供了JSON这个模块用来实现数据的序列化和反序列化。

序列化

导入json模块到该文件中

import json

名称数组

name_list=[“zs”,“ls”,“ww”]

创建文件

fp=open(“test.txt”,“w”)

dump：相当于json.dumps(name_list) 和 fp.write(names) 写法：json.dump(name_list,fp)

dumps：在使用scrapy框架时，框架会返回一个对象 我们要将对象写入到文件中 就要使用json.dumps

names=json.dumps(name_list)

写入文件

fp.write(names)

关闭文件

fp.close()

反序列化

导入json模块到该文件中

import json

将json的字符串变成一个python对象

fp=open(“test.txt”,“r”)
#读取文件
content=fp.read()
#将字符串变成python对象 loads
#load：相当于content=fp.read() 和 json.loads(content) 写法 result=json.load(fp)
result=json.loads(content)

关闭文件

fp.close()
print(“变化之前%s，类型%s” % (content,type(content)))
print(“变化之后%s，类型%s” % (result,type(result)))

异常捕获
#异常的格式
try:
可能出现异常的代码
except 异常的类型:
异常提示

编码问题
将\u格式的unicode转换成中文
支持‘/’这样的转义序列

content = content.encode(‘utf-8’).decode(‘raw_unicode_escape’)

不支持‘/’这样的转义序列

content = content.encode(‘utf-8’).decode(‘unicode_escape’)

字符串解码报错问题
utf-8没有办法对这个字符串进行解码，因为没有合适的字符映射到该编码，大部分问题出现在字符串中存在类似\uD83C\uDF1D这种以\u开头的字符串，python会认为这是一个unicode编码，于是想办法把它解码成一个字符串，但发现编码映射表中没有这样的字符与之对应（可能这个编码是一个emoji表情）

#print(s) 直接打印输出会报以上错误，需要进行替换，意思是遇到不可unicode解码的字符，就用?替换

s2 = s.encode(‘utf-8’, ‘replace’).decode()

因为encode的函数原型是encode([encoding], [errors=‘strict’])，可以用第二个参数控制错误处理的策略，默认的参数就是strict，代表遇到非法字符时抛出异常；
如果设置为ignore，则会忽略非法字符；
如果设置为replace，则会用?取代非法字符；
如果设置为xmlcharrefreplace，则使用XML的字符引用。