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<a>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<a>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

3）can only concatenate str (not "int") to str

int类型和str类型不能拼接，所以需要转一下index的类型：str(index)

4) 以下是其中一个生成的文本截图，正文有了，但是调取接口却传不过去数据，导致校验返回为：缺少必填字段，

debug找到原因，是因为我在读取文件的时候，写入流还在一个线程没结束，文本是空的。我需要先走完写，再去读，才可以读到文件。

是由于读取流和写入流在同一个线程里，执行的先后顺序不一样。赶时间，我先分为2个进程去做。线程问题先不考虑，毕竟只是试验，

接下来学习下python的多线程，再搞。

 5) 在陆续解决一些小问题后；终于出点成绩

可惜的是在运行到第115的时候， 程序报错：

urllib3.exceptions.MaxRetryError: HTTPConnectionPool

接下来处理一下这个问题

6) urllib3.exceptions.MaxRetryError: HTTPConnectionPool

查了一下，发现我在拼接shtml链接逻辑的时候，判断有点问题，导致http://重复，肯定访问不到了。然后就不报错了

7），上整体代码。一共4个文件，其中有些是我调试用的代码，主要调取逻辑在mainTODO.py，刚刚练手，一些逻辑很笨拙，

代码不能拿走用，因为适配性并不好。一些标签是我要用的网站特有的。以后有类似问题，可以参考思路。

checkshtml.py

# coding:utf-8
import requests
from bs4 import BeautifulSoup
import os
import checkwebsite
import string
# 创建一个文件夹名称
FilePath = 'I:\test\'
FileName = 'xhtml'
def dd(url):
    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！')

    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(r'href="(*.+?.shtml)"') # 找到shtml
    a_datalist = soup.find_all('a') # 找到a标签
    index = 1
    datalist = []
    for a_data in a_datalist:
        result = a_data.get('href')
        if not (result is None):
            # str1=Hello.python
            # print str1[:str1.index(str2)]     #获取 "."之前的字符(不包含点)  结果 Hello
            # print str1[str1.index(str2):] ; #获取 "."之后的字符(包含点) 结果.python
            if "http://www.hainan.gov.cn/" not in result:
                if "http://www"not in result:
                    result = 'http://www.hainan.gov.cn'+result
                datalist.append(result)
    return datalist


                # print(index)
        # index += 1

　　

checkwebsite.py

# coding:utf-8
import requests
from bs4 import BeautifulSoup
import codecs
import urllib
from html5lib import HTMLParser
import os

def checkTitle(soup):
    divtitle = soup.find_all('ucaptitle')
    strtitle = str(divtitle)
    if 'ucaptitle' in strtitle:
        strtitle = strtitle[:strtitle.index("</ucaptitle>")]
        strtitle = strtitle[::-1]
        strtitle = strtitle[:strtitle.index(">eltitpacu")]
        strtitle = strtitle[::-1]
        # print(strtitle)
        return str(strtitle)
    else:
        return ''

def checkContent(soup):
    uuuu = ''
    divlist = soup.find_all('ucapcontent')
    for pfont in divlist:#遍历div的所有属性以及其值
        p = pfont.find_all('p')

        for pp in p:
            start_pp = str(pp)
            p_start_pp = start_pp[:start_pp.index("</p>")]
            p_start_pp = p_start_pp[p_start_pp.index('>'):]
            result = p_start_pp[::-1]
            result = result[:result.index(">")]
            result = result[::-1]
            #w 只能操作写入  r 只能读取   a 向文件追加
            #w+ 可读可写   r+可读可写    a+可读可追加
            #wb+写入进制数据
            #w模式打开文件，如果而文件中有数据，再次写入内容，会把原来的覆盖掉
            uuuu = uuuu+str(result+'
')
    return uuuu
            # return result


def writeTxt(result):
    f = codecs.open('I:\data.txt','a','utf-8')
    f.write(str(result))
    f.close()

if __name__== '__main__':
    sHtmlUrl = "http://www.hainan.gov.cn/hainan/hngs/201906/c0a08f5b5a7e42b2bab66212de76b050.shtml"
    html = requests.get(sHtmlUrl).content
    soup  = BeautifulSoup(html,'html.parser')
    # writeTxt(checkTitle(soup))
    writeTxt(checkContent(soup))
    ## 这个执行文件，是为了把所有的目标文章都爬进本地的txt文件里。
    ## 待下一个文件，去读取本地文章，再去调取远程post服务，把摘要写进去到txt文件，只需要分析txt文件即可

　　

readFIleAndPost.py

import codecs
import requests
import json
import checkwebsite
import time

fileUrl = 'I:\data.txt'
def two(fileUrl):
    num = 0
    f = codecs.open(fileUrl,'r','utf-8')
    string=''
    for l in f:
        tup = l.rstrip('
').rstrip()
        # print(tup)
        string += tup
        num = num+1
    # print (str)
    # post 请求
    url = 'http://localhost:8080/documentNew/parserNew'
    s = json.dumps({'content': string, 'keywordCount': '5','summarySize':'2'})
    try:
        r = requests.post(url, s)
    except:
        print( u'[%s] HTTP请求失败！！！正在准备重发。。。')
        time.sleep(2)
        r = requests.post(url, s)

    resultStr = str(r.text)
    r.close()
    return resultStr


if __name__ == '__main__':
    checkwebsite.writeTxt(two(fileUrl))

　　

mainTODO.py

import checkshtml
import checkwebsite
import readFIleAndPost
import requests
import os
import shutil
from bs4 import BeautifulSoup
import codecs

url = 'http://www.hainan.gov.cn/hainan/'
filePath = 'I:\testshtml\'
updateFilePath = 'I:\test\xhtml\'
def downLoadFile(url):
    # 先拿取 目标网站的 href属性 对象数组
    resultlist = checkshtml.dd(url)
    shtmllist = []
    # 取出 所需的shtml 对象数组
    for list in resultlist:
        if "shtml" in list:
            shtmllist.append(list)
    index = 1
    #循环目标对象数组，分别取里面所需要的文本信息
    for shtml in shtmllist:
        # shtml = "http://www.hainan.gov.cn/hainan/hngs/201906/c0a08f5b5a7e42b2bab66212de76b050.shtml"
        # shtml = "http://www.hainan.gov.cn/hainan/index.shtml"
        html = requests.get(shtml).content
        soup  = BeautifulSoup(html,'html.parser')
        urlpath = filePath+'shtml'+str(index)+'.txt'
        updateurl = updateFilePath+'shtml'+str(index)+'.txt'
        # 拿到文本对应的 标题和正文信息
        strtitle = checkwebsite.checkTitle(soup).strip()
        strcontent = checkwebsite.checkContent(soup)
        if not (strcontent=='') :
            f1 = codecs.open(urlpath,'w','utf-8')
            f2 = codecs.open(updateurl,'w','utf-8')
            # 新建并打开一个文本，写入标题
            f1.write(strtitle+'
')
            f2.write(strtitle+'
')
            print("源文件路径>>>>>>"+urlpath+">>>>>>标题："+strtitle)
            print("修改文件路径>>>>>>"+updateurl+">>>>>>标题："+strtitle)
            # 循环调取 checkwebsite.checkContent() 写入正文。
            f1.write(strcontent)
            f2.write(strcontent)
            # 关闭文件流
            index += 1
            f1.close()
            f2.close()
            # 开启下一个链接的处理

def updateFile():
    file_name = os.listdir(updateFilePath)
    for file in file_name:
        #获取到 接口返回值
        response = readFIleAndPost.two(updateFilePath+file)
        f = codecs.open(updateFilePath+file,'a','utf-8')
        f.write(response)
        f.close()

def deleteAndCopyFile():
    del_file(updateFilePath)
    f_list = os.listdir(filePath)
    n=0
    for fileNAME in f_list:
        n += 1
        oldname = filePath + fileNAME
        newname = updateFilePath + fileNAME
        shutil.copyfile(oldname, newname)
        # print(str(n)+'.'+'已复制'+fileNAME)

def  del_file(path):
    for i in os.listdir(path):
        path_file = os.path.join(path,i)
        if os.path.isfile(path_file):
            os.remove(path_file)
        else:
            del_file(path_file)

if __name__== '__main__':
    # 下载 2份文档到本地，运行一次，即可注释
    # downLoadFile(url)
    # 直接修改初始化的其中一份文本
    # updateFile()
    # 删除已有的样本，取源文件，先copy一份，再发post filePath源路径
    deleteAndCopyFile()
    updateFile()

　10、取字典里的数据

[{'name': '张三', 'phone': '185185', 'wechat': '6546231'}, {'name': '李四', 'phone': '187169', 'wechat': 'asdsad'}]

这个版本里：

for studeht in self.studehts :
    #错误
    name=studeht .get["name"]
    #正确取法
    name=studeht["name"]