记录初学Python的坑-----python3.7.3版本

先记录一下 idea安装Python的语言支持插件后的操作：我用的是windows环境、windows环境、windows环境。

首先 下载 Anaconda3 的可执行文件  下载地址 

然后安装，安装过程中有一个环节，默认打了一个勾，把上面的配置环境变量也勾上，然后一路next

借图说明下：

安装完成后，打开cms  输入 ：conda info --env 查看下环境，默认只有一个base；

下面那个py37是后来建的，创建命令conda create -n py37

删除环境谨慎执行：conda remove -n py37

激活环境：activate base

关闭环境：deactivate base

激活后，就可以起飞了。

惯例：helloworld

#!/usr/bin/python3
print('hello world')

 

1,

报错原因：

TypeError: can’t use a string pattern on a bytes-like object.

html用decode(‘utf-8’)进行解码，由bytes变成string。

py3的urlopen返回的不是string是bytes。
解决：

html = html.decode('utf-8')

2.

报错原因：

如果用 urllib.request.urlopen 方式打开一个URL,服务器端只会收到一个单纯的对于该页面访问的请求,但是服务器并不知道发送这个请求使用的浏览器,操作系统,硬件平台等信息,而缺失这些信息的请求往往都是非正常的访问,例如爬虫.

有些网站为了防止这种非正常的访问,会验证请求信息中的UserAgent(它的信息包括硬件平台、系统软件、应用软件和用户个人偏好),如果UserAgent存在异常或者是不存在,那么这次请求将会被拒绝(如上错误信息所示)

所以可以尝试在请求中加入UserAgent的信息
解决：

 

def getHtml(url):

    u = urllib.request.URLopener() # Python 3: urllib.request.URLOpener
    u.addheaders = []
    u.addheader( 'Accept', '*/*')
    u.addheader('Accept-Language','en-US,en;q=0.8')
    u.addheader( 'Cache-Control', 'max-age=0')
    u.addheader( 'User-Agent', 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 Safari/537.36')
    u.addheader( 'Connection', 'keep-alive')
    u.addheader( 'Referer', 'http://www.baidu.com/')

    page=u.open(url)
    html = page.read()
    html = html.decode('utf-8',"ignore")
    page.close()
    return html

 

3.在一个py文件中，引入另一个py文件，直接import即可

4.用python3版本，引入request的下载函数 urlretrieve时候，可以这么做,举一反三，可以减少代码量

from  urllib.request import urlretrieve

urlretrieve(url,filename)

 5.在获取对象Html时，即使加了decode('utf-8'),也仍旧报错：

'utf-8' codec can't decode byte 0xd7 in position 309: invalid continuation byte

解决方法：decode('utf-8','ignore')

6.int 型变量 index  转 str类型---->str(index)

相反：str类型变量 string 转int类型 -----> int(str)       --------10进制下

7.显示下载进度

def Schedule(a,b,c):
    per = 100.0 * a * b / c
    if per>100:
        per = 100
        print('完成！')
    print('%.2f%%' % per)

urlretrieve(fileUrl,fileName,Schedule)

 效果如下：

 8记录一个爬网址图片，然后创建文件夹存图片的操作

# coding:utf-8
import requests
from bs4 import BeautifulSoup
import os
# 创建一个文件夹名称
FileName = 'mm'
def dd():
    if not os.path.exists(os.path.join(os.getcwd(), FileName)):     # 新建文件夹
        os.mkdir(os.path.join(os.getcwd(),FileName))
        print(u'建了一个名字叫做', FileName, u'的文件夹！')
    else:
        print(u'名字叫做', FileName, u'的文件夹已经存在了！')
    url = 'http://www.xiaohuar.com/list-1-1.html'
    html = requests.get(url).content    # 返回html
    # html = html.decode('utf-8')
    soup  = BeautifulSoup(html,'html.parser')   # BeautifulSoup对象
    jpg_data = soup.find_all('img',width="210") # 找到图片信息
    index = 1
    for i in jpg_data:
        deindex = str(index) +  "a"
        data = i['src'] # 图片的URL
        print("图片url为"+data)
        if "https://www.dxsabc.com/" not in data:
            data = 'http://www.xiaohuar.com'+data
        r2 = requests.get(data)
        fpath = os.path.join(FileName,deindex)
        with open(fpath+'.jpg','wb+')as f : # 循环写入图片
            f.write(r2.content)
        index += 1
    print('保存成功，快去查看图片吧！！')

if __name__== '__main__':
    dd()

9记录一个爬网址的shtml下的文章，然后创建文件夹存文件的操作

1）

我要判断获取到的标签内是否含有 'shtml'

result = string.find(a_data,shtml)!=-1

if result:
　　#包含
else:
　　#不包含

module 'string' has no attribute 'find'

因为python版本升级，函数名称已有改变！只需要将string改为str即可！

2）逻辑是找到网址中的所有标签，再取所有的href值，经判断后，取合适的链接

再通过循环获取链接内的属性，找自己想要的资源

还在弄，持续更新中。。。

转载于:https://www.cnblogs.com/justtodo/p/11175245.html