1.file
a.打开文件方式(读写两种方式)
(1) 若文件在当前目录下,则直接输入文件名及其文件类型;
若文件存在于其他路径,则需指定完整路径。
f=open('somefile.txt','r') #读当前目录的文件
f.read()
f=open('F:/Pythonlearning/somefile.txt') #读其他路径的文件
f.read()
(2) 路径的三种写法
Open('F:/Pythonlearning/somefile.txt')
Open(r 'F:\Pythonlearning\somefile.txt')
Open('F:\\Pythonlearning\\somefile.txt') 一个\是转义字符
(3) open中的读模式为默认,其模式参数可不写
f=open('F:/Pythonlearning/somefile.txt',’w’) #报错
f.read()
open函数中模式参数的常用值
值 | 描述 |
‘r’ | 读模式 |
‘w’ | 写模式 |
‘a’ | 追加模式 |
‘b’ | 二进制模式(可添加到其他模式使用) |
‘+’ | 读/写模式(可添加到其他模式使用) |
b.文件对象的操作方法
(1) 读和写
f=open('somefile.txt','w') #删除原有内容 写入
f.write('Hello')
f.write('World')
f.close()
f=open('somefile.txt','a') #追加内容
f.write('\nHello')
f.write('World')
f.close()
f=open('somefile.txt','r')
#f.read(3)
print(f.read()) #读取剩下文件
(2) 读写行
f=open('somefile.txt','r')
for i in range(4):
print(str(i)+':'+f.readline()) #读某行
f.close()
import pprint
pprint.pprint(open('somefile.txt').readlines()) #读全部
c.学习对excel及csv文件进行操作
(1) 对excel的操作
读取:
import xlrd
file = 'Data.xls'
wb=xlrd.open_workbook(filename=file)#打开文件
print(wb.sheet_names())#获取所有表格名字
sheet1 = wb.sheet_by_index(0)#通过索引获取表格
sheet2 = wb.sheet_by_name('csvData')#通过名字获取表格
print(sheet1,sheet2)
print(sheet1.name,sheet1.nrows,sheet1.ncols) #nrows 行数 ncols列数
rows = sheet1.row_values(2)#获取行内容
cols = sheet1.col_values(1)#获取列内容
print(rows)
print(cols)
#print(sheet1.cell(1,0).value)#获取表格里的内容,三种方式
print(sheet1.cell_value(1,0))
#print(sheet1.row(1)[0].value)
写入:
import xlwt
#设置表格样式
def set_style(name,height,bold=False):
style = xlwt.XFStyle()
font = xlwt.Font()
font.name = name
font.bold = bold
font.color_index = 4
font.height = height
style.font = font
return style
#写Excel
def write_excel():
f = xlwt.Workbook()
sheet1 = f.add_sheet('学生',cell_overwrite_ok=True)
row0 = ["姓名","年龄","出生日期","爱好"]
colum0 = ["张三","李四","恋习Python","小明","小红","无名"]
#写第一行
for i in range(0,len(row0)):
sheet1.write(0,i,row0[i],set_style('Times New Roman',220,True))
#写第一列
for i in range(0,len(colum0)):
sheet1.write(i+1,0,colum0[i],set_style('Times New Roman',220,True))
sheet1.write(1,3,'2006/12/12')
sheet1.write_merge(6,6,1,3,'未知')#合并行单元格
sheet1.write_merge(1,2,3,3,'打游戏')#合并列单元格 在第四列的第二三两行合并单元格
sheet1.write_merge(4,5,3,3,'打篮球')
f.save('test.xls')
if __name__ == '__main__': #当前模块
write_excel()
(2) 对csv的操作
操作csv文件的方法之一:使用Pandas
import pandas as pd #导入pandas包
data =pd.read_csv('train.csv') #读取CSV文件
print(data)
print(data.head(5)) #打印前五行
print(data.columns) #返回全部列名
print(data.shape) #返回csv文件形状
print(data.loc[1:2]) #打印第1到2行
data.loc[2:4,['Passenger','Sex']] #打印行中特定列
import csv
csvFile = open('csvData.csv','w',newline='') #创建csv文件 newline 避免空行出现
writer=csv.writer(csvFile) #创建写的对象
writer.writerow(['name','age']) #先写列名 写入列的名称
writer.writerows([['Bob','18'],['Baby','29']]) #用writerows写入多行
csvFile.close()
2.os模块
OS模块主要用于文件一些操作,如果需要经常查找操作文件,像查找配置文件,查找测试报告,经常要对大量的文件和大量路径进行操作。
import os
path = os.getcwd() #查看当前所在路径
listtype=os.listdir(path) #例举目录下所有文件及其类型
print(path)
print(listtype)
print(os.path.split(path)) #将路径分解为(文件夹,文件名)
print(os.path.dirname(r'C:\Users\lij\.spyder-py3')) #返回路径的上一级文件夹名
print(os.path.getmtime(path)) #文件或文件夹的最后修改时间,从新纪元到访问时的秒数
print(os.path.getatime(path)) #文件或文件夹的最后访问时间,从新纪元到访问时的秒数
print(os.path.getctime(path)) #文件或文数件夹的创建时间,从新纪元到访问时的秒
print(os.path.exists(path))#文件或文件夹是否存在,返回True 或 False。
3.datetime模块
from datetime import datetime,timedelta #从datetime模块中导入datetime类\timedelta类
now = datetime.now() #获取当前时间
print(now)
dt =datetime(2019,2,6,00,00) #创建指定日期
print(dt)
#将用户输出的形式为字符串的日期和时间转化为datetime,便于后续处理
cday=datetime.strptime('2019-04-09 10:08:16','%Y-%m-%d %H:%M:%S')
print(cday)
#datetime的加减,可以直接用+和-,不过需要导入timedelta这个类
newtime=now+timedelta(hours=10)
print(newtime)
#datetime与timestamp的转化
#如果要存储datetime,最佳方法是将其转换为timestamp再存储,因为timestamp的值与时区完全无关
t=dt.timestamp()
print(t)
date=datetime.fromtimestamp(t)
print(date)
4.类和对象
面向对象最重要的概念就是类(Class)和实例(Instance)。
实例是根据类创建出来的一个个具体的‘对象’,每个对象有相同的方法,但数据可能不同。
#Student类是从object类继承下来的,object类是所有的类最终都会继承的类
#类起到模板作用,实例是根据类创建出来的一个个具体的“对象”
class Student(object):
def __init__(self, name, score): #通过定义特殊的--init--方法,在创建实例时,把name、score属性绑上去
self.name = name #注意到__init__方法的第一个参数永远是self,表示创建的实例本身
self.score = score
def print_score(self):
print('%s: %s' % (self.name, self.score))
def get_grade(self):
if self.score >= 90:
return 'A'
elif self.score >= 60:
return 'B'
else:
return 'C'
bart = Student('Bart Simpson', 59) #bart lisa为Student的实例
lisa = Student('Lisa Simpson', 87)
print('bart.name =', bart.name) #为bart绑定name属性
print('bart.score =', bart.score)
bart.print_score() #调用类中的方法
print('grade of Bart:', bart.get_grade())
print('grade of Lisa:', lisa.get_grade())
5.正则表达式
正则表达式是一种用来匹配字符串的强有力的武器。它的设计思想是用一种描述性的语言来给字符串定义一个规则,凡是符合规则的字符串,我们就认为它“匹配”了,否则,该字符串就是不合法的。
所以我们判断一个字符串是否是合法的Email的方法是:
创建一个匹配Email的正则表达式;
用该正则表达式去匹配用户的输入来判断是否合法。
在正则表达式中,如果直接给出字符,就是精确匹配。用\d可以匹配一个数字,\w可以匹配一个字母或数字,所以:
'00\d'可以匹配'007',但无法匹配'00A';
'\d\d\d'可以匹配'010';
'\w\w\d'可以匹配'py3';
.可以匹配任意字符,所以:
'py.'可以匹配'pyc'、'pyo'、'py!'等等。
要匹配变长的字符,在正则表达式中,用*
表示任意个字符(包括0个),用+
表示至少一个字符,用?
表示0个或1个字符,用{n}
表示n个字符,用{n,m}
表示n-m个字符:
来看一个复杂的例子:\d{3}\s+\d{3,8}。
我们来从左到右解读一下:
\d{3}表示匹配3个数字,例如'010';
\s可以匹配一个空格(也包括Tab等空白符),所以\s+表示至少有一个空格,例如匹配' ',' '等;
\d{3,8}表示3-8个数字,例如'1234567'。
综合起来,上面的正则表达式可以匹配以任意个空格隔开的带区号的电话号码。
如果要匹配'010-12345'这样的号码呢?由于'-'是特殊字符,在正则表达式中,要用'\'转义,所以,上面的正则是\d{3}\-\d{3,8}。
进阶
要做更精确地匹配,可以用[]表示范围,比如:
- [0-9a-zA-Z\_]可以匹配一个数字、字母或者下划线;
- [0-9a-zA-Z\_]+可以匹配至少由一个数字、字母或者下划线组成的字符串,比如'a100','0_Z','Py3000'等等;
- [a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下划线开头,后接任意个由一个数字、字母或者下划线组成的字符串,也就是Python合法的变量;
- [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精确地限制了变量的长度是1-20个字符(前面1个字符+后面最多19个字符)
A|B可以匹配A或B,所以(P|p)ython可以匹配'Python'或者'python'。
^表示行的开头,^\d表示必须以数字开头。
$表示行的结束,\d$表示必须以数字结束。
你可能注意到了,py也可以匹配'python',但是加上^py$就变成了整行匹配,就只能匹配'py'了。
6.re模块
Python提供re模块,包含所有正则表达式的功能
使用r前缀,不用考虑转义问题
(1)切分字符串:将用户的不规范输入转化成为正确的数组
(2)分组:正则表达式中的子串提取功能。用()表示的就是要提取的分组(Group)。比如:^(\d{3})-(\d{3,8})$分别定义了两个组,可以直接从匹配的字符串中提取出区号和本地号码。
import re
print('Test: 010-12345')
#match判断是否匹配,如果匹配成功,返回一个Match对象,否则返回None 参数(r‘正则表达式’,test)
m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345') #正则表达式中定义了两个组
#分组 正则表达式的子串提取功能 提取区号和本地号码
#如果正则表达式中定义了组,就可以在Match对象上用group()方法提取出子串来。
print(m.group(1), m.group(2))
t = '19:05:30'
print('Test:', t)
m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)
print(m.groups())
#切分字符串
s1=re.split(r'\s+','a b c')
print(s1)
s2=re.split(r'[\s\,]+','a,b,c d')
print(s2)
s3=re.split(r'[\s\,\;]+','a,b;;c d')
print(s3)
python中常见的正则表达式:
https://blog.csdn.net/sinat_34439107/article/details/70214232
7.http请求
读取url和下载网页内容,是每个爬虫的必经之路。Python实现HTTP请求有三种方式:
(1)urllib2/urllib
(2)httplib/urllib
(3) Requests
以requests为例进行学习:
get请求
Post请求 传递body参数
响应码code和响应头headers处理
请求超时设置
import requests
url='https://www.baidu.com/'
req= requests.get(url) #在get请求中使用查询字符串传递参数
print (req.text)
print(req.content) #返回字节形式
#响应码和响应头headers的处理
url = 'https://www.csdn.net/'
r = requests.get(url)
if r.status_code == requests.codes.ok:
print ('=== status_code === ', r.status_code) # 响应码
print ('=== headers === ', r.headers) # 响应头
print ('=== Content-Type === ', r.headers.get('Content-Type')) # 获取响应头中的Content-Type字段
else:
r.raise_for_status() # 抛出异常
#请求超时设置
url = 'https://www.csdn.net/'
r = requests.get(url,timeout=20)
参考资料:
https://blog.csdn.net/qq_34200636/article/detailus/89076777
https://blog.csdn.net/csdnnews/article/details/80878945
https://blog.csdn.net/Qzx9059/article/details/89080953
https://blog.csdn.net/weixin_42734407/article/details/81162026