今天是4.25号。
很快四月也走到了尾声，学期即将过半，我还没有找到理想的实习。不过投出去的文章已经有一篇有了好的结果，另外四篇也期待和祈祷都被录用~~
python爬虫的学习自己大抵学了60%吧，但自己最近在想自己学习python最终目的是想用python来进行数据分析的，爬虫只算是获取数据的第一步，那么接下来是不是应该多学学numpy，pandas以及其他数据分析的库。所以最近还会补充点python中的基础知识，为后面的学习作好准备。
第一部分 数据类型相关知识
能够进行迭代的数据类型有：字符串，列表，字典。
1.数字类型
int(),float()
运算符：%（取余），//（除后取整，例如a=3.8//2 ,结果为1.0）
逻辑运算符：and, or, not
round()作用是四舍五入
break是跳出所在的while或者for循环
2.字符串类型
常用函数：len(),str()，可以通过“+”和“*”来连接；s.replace('a','b')即将字符串s中的 所有a字符用b字符来替换。
常用操作方法.png
如何格式化字符串：
在Python中，采用的格式化方式和C语言是一致的，用%实现，举例如下：
'Hello, %s' % 'world'
'Hello, world'
'Hi, %s, you have $%d.' % ('Michael', 1000000)
'Hi, Michael, you have $1000000.'
你可能猜到了，%运算符就是用来格式化字符串的。在字符串内部，%s表示用字符串替换，%d表示用整数替换，有几个%?占位符，后面就跟几个变量或者值，顺序要对应好。如果只有一个%?，括号可以省略。
常见的占位符有：
%d 整数
%f 浮点数
%s 字符串
%x 十六进制整数
3.列表类型
列表操作1.png
列表操作2.png
4.字典型数据
（1）访问字典中的一项的值：
dictionaryName[key]，返回键key对应的值value。
（2）删除字典中的一项：
del dictionaryName[key]
（3）字典的遍历：
设a为一个字典型数据，则
for i in a.keys(),values(),items()经常用到。
（4）判断一个键key知否在字典中：
in 或者not in
eg:'city' in infor.keys()
其他操作方法：
字典的操作.png
5.集合(set)
若s='sunset'，a=set(s)
得到a:set(['s','u','n','s','e','t'])
两个集合之间的操作有多种，主要如下：
四种运算.PNG
集合运算.png
第二部分 文件操作相关知识
字符串在python中默认以unicode编码保存的，常见的编码方式有：
(1)ASCII编码
(2)UTF-8编码
(3)GBK编码
(4)Unicode编码
(1)、(2)、(3)通过decode()将字符串解码为unicode，通过encode()将unicode编码字符串转为其他三种编码,
文件一般分为文本文件和二进制文件（除文本以外的文件）
操作文件一般包括：打开文件，（读取、写入、定位、追加、计算）文件，关闭文件。
（1）打开文件
用法f=open(<'xxx文件路径'>,<mode>)，其中f是一个变量
Paste_Image.png
（2）文件读取、写入、定位
a)读取文件用法f.read()，f.readline()，f.readlines()三者只是返回值不同，第一个返回的是整个文本的字符串；第二个返回一行的字符串；第三个返回整个文本的列表，其中一行字符串为一个元素。
b)写入文件的用法，使用时需要传入参数file.write(a)，file.writelines(a)，二者区别在于第一个是写入字符串a到文件file中；第二个是写入列表a到文件file中。
Paste_Image.png
Paste_Image.png
完整例子如：
file=open('C:\Users\guohuaiqi\Desktop\1.txt','w') #打开模式要用''括起来
file.writelines(a)或者file.readlines()
file.close
最后贴上一个用于词频统计（仅仅针对英文文章）的代码：
步骤为：
(1)用爬虫获取内容，用空格''replace文章中出现的其他符号，然后保存为text格式文件；
(2)定义一个函数，先用split('')对句子进行分割，然后对一行的单词进行统计；
(3)读取text文件，将每一行句子传入(2)中的函数，执行完毕后，将字典数据转化为list数据然后进行排序。
此外有两点知识新学到如下：
(4)使用如b={}为一个字典数据，可直接用list(b.items())将b转化为列表数据。
(5)使用sorted()函数对列表中元素是cell的数据进行排序
例：student_tuples = [('john', 'A', 15),('jane', 'B', 12),('dave', 'B', 10)]
那么sorted(student_tuples, key=itemgetter(2), reverse=True)表示对student_tuples列表按元组中的第三个元素age进行排序**，其中reverse（布尔值）参数用来标记排序顺序的，True-递减，False-递增（默认）
(6)打开文件的路径时要么为'C:\Users\guohuaiqi\Desktop\1.txt'，也可是r'C:\Users\guohuaiqi\Desktop\1.txt'，这样r后的字符串都按字面意思而不进行转义。
__author__ = 'guohuaiqi'
#!/usr/bin/env python
# _*_ coding: utf-8 _*_
import requests
from bs4 import BeautifulSoup
import operator
url='https://hbr.org/2016/04/what-we-can-learn-from-one-of-the-worlds-most-mocked-cars'
a=[]
def get_contents(url):
web_data=requests.get(url)
soup=BeautifulSoup(web_data.text,'lxml')
paragraphs=soup.select('div.article.article-first-row p')
for content in paragraphs:
b=content.get_text().lower()
for ch in b:
if ch in ',().:“”?‘’-':
b=b.replace(ch,'')
b=b.replace('\xa0',' ')
a.append(b)
file=open('C:\\Users\\guohuaiqi\\Desktop\\1.txt','w')
file.writelines(a)
file.close
print('done!!!')
def words_count(line,wordsCount):
words=line.split(' ') #将每一行按空格分割成一个列表
for word in words:
if word in wordsCount.keys(): #应该用wordsCount.keys()而不是wordsCount，否则在计数we时会把包含we的单词如were等计算在内
wordsCount[word]+=1
else:
wordsCount[word]=1
wordsCount={} #wordsCount为一个空字典
def main():
f=open('C:\\Users\\guohuaiqi\\Desktop\\1.txt','r')
for line in f.readlines():
words_count(line,wordsCount)
pairs=list(wordsCount.items()) #会把字典中的键和值转化为一个元组cell，每一个cell作为list的一个元素返回
print(sorted(pairs,key=operator.itemgetter(1),reverse=True))
f.close
if __name__=='__main__':
main()
网友评论