Python爬虫识别中文字符和标点符号

Python爬虫识别中文字符和标点符号,并且保存成txt文档

import requests

href_list = final_df["隐私政策"].values
names = final_df["公司名称"].values

for i in range(len(href_list)):
    url = href_list[i]
    if url:
        try:
            res = requests.get(url).text
        except:
            print("失败:",url)
            continue
        try:
            res = res.encode("ISO-8859-1").decode("utf-8")
        except:
            try:
                res = res.encode("ISO-8859-1").decode("gbk")
            except:
                res = res
        res = re.sub("<.*?>", "", res)
        res = re.sub("{.*?}", "", res)
        res = res.replace('\n', '') 
        
        # 提取文字和标点符号!!!!!!!!!!!!!
        pattern = re.compile(u'[\u4e00-\u9fa5-\,\。]')
        result = pattern.findall(res)
        
        # 保存到txt文档中
        file = open("data/隐私政策/{}.txt".format(names[i]), 'w')
        string = "".join(result)
        file.write(string)

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Python量化投资、代码解析与论文精读

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值