【Python体验】第五天：目录搜索、数据爬虫（评论区里写作业）

目录搜索 os、shutil库

os 模块提供了非常丰富的方法用来处理文件和目录。
os.listdir(path)：返回path指定的文件夹包含的文件或文件夹的名字的列表。
os.path 模块：获取文件的属性信息。
os.path.join(path1[, path2[, …]])：把目录和文件名合成一个路径
os.path.isdir(path) ：判断路径是否为目录
os.path.isfile(path)：判断路径是否为文件
shutil.move(file,target)：移动文件

# 深度优先搜索文件 （目录搜索）

import os # 导入os模块
import shutil # 实现移动文件的功能需要

# path代表待搜索的目录路径，result存储搜索到的文件路径列表
def dfs(path, result):
    child_files = os.listdir(path)
    for child in child_files:
        # 使用join拼接子目录或文件的路径
        child = os.path.join(path, child)
        # 将child保存到result
        result.append(child)
        if os.path.isdir(child):
            dfs(child, result)

files = []
dfs('.', files)

# 遍历files
for file in files:
    print("find %s" %file) #打印搜索到的路径
    if(os.path.isfile(file) and file.endswith('.xlsx')):
        # 移动当前目录下的excel文件到excel目录下
        shutil.move(file, '.\excel')

移动前：

移动后：

数据爬虫 request、re

网页数据爬虫实现了互联网网页自动化下载与自动化解析。通过爬虫，可以下载和分析网页。

# 网络爬虫

# spider.py：网页下载、链接提取、数据存储
# 查看豆瓣网top250(25页，每页25条)的电影简介地址，换行存入到txt中

import requests
import re

url = "https://movie.douban.com/top250?start="
pageSize = 25
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36"
}
# 正则匹配
briefUrl = "https://movie.douban.com/subject/[0-9]+/"
txt = open("douban.txt", "a", encoding="utf-8")

# 爬取10页
for page in range(0, 10):
    resp = requests.get(url + str(page * pageSize), headers=headers)
    resp.encoding = "utf-8"
    # print(resp.text)

    # 通过findall从网页中提取符合briefUrl正则规则的网址
    links = re.findall(briefUrl, resp.text)
    # 去重
    arr = set(links)
    # print(links)
    for l in arr:
        # print(l)
        txt.write(l + "\n")
txt.close()

作业：爬取案例的top250电影的关键信息（名称、类型、日期），并保存在表格中