python爬蟲入門封裝函數,python封裝成函數

本文目錄一覽：

• 1、如何入門 Python 爬蟲
• 2、python 函數如何封裝？
• 3、如何入門 Python 爬蟲?
• 4、python如何封裝函數
• 5、如何用Python封裝C語言的字元串處理函數
• 6、怎麼把下面的Python代碼封裝成函數

如何入門 Python 爬蟲

個人覺得：

新手學習python爬取網頁先用下面4個庫就夠了：（第4個是實在搞不定用的，當然某些特殊情況它也可能搞不定）

1. 打開網頁，下載文件：urllib

2. 解析網頁：BeautifulSoup，熟悉JQuery的可以用Pyquery

3. 使用Requests來提交各種類型的請求，支持重定向，cookies等。

4. 使用Selenium，模擬瀏覽器提交類似用戶的操作，處理js動態產生的網頁

這幾個庫有它們各自的功能。配合起來就可以完成爬取各種網頁並分析的功能。具體的用法可以查他們的官網手冊(上面有鏈接)。

做事情是要有驅動的，如果你沒什麼特別想抓取的，新手學習可以從這個闖關網站開始

，目前更新到第五關，闖過前四關，你應該就掌握了這些庫的基本操作。

實在闖不過去，再到這裡看題解吧，第四關會用到並行編程。（串列編程完成第四關會很費時間哦），第四，五關只出了題，還沒發布題解。。。

學完這些基礎，再去學習scrapy這個強大的爬蟲框架會更順些。這裡有它的中文介紹。

這是我在知乎的回答，直接轉過來有些鏈接沒有生效，可以到這裡看原版，

python 函數如何封裝？

不是不可以，只是這樣做沒有意義，另外變數作用域的問題，會使得操作變得很複雜

如何入門 Python 爬蟲?

「入門」是良好的動機，但是可能作用緩慢。如果你手裡或者腦子裡有一個項目，那麼實踐起來你會被目標驅動，而不會像學習模塊一樣慢慢學習。

如果你想要入門Python爬蟲，你需要做很多準備。首先是熟悉python編程；其次是了解HTML；

還要了解網路爬蟲的基本原理；最後是學習使用python爬蟲庫。

如果你不懂python，那麼需要先學習python這門非常easy的語言。編程語言基礎語法無非是數據類型、數據結構、運算符、邏輯結構、函數、文件IO、錯誤處理這些，學起來會顯枯燥但並不難。

剛開始入門爬蟲，你甚至不需要去學習python的類、多線程、模塊之類的略難內容。找一個面向初學者的教材或者網路教程，花個十幾天功夫，就能對python基礎有個三四分的認識了。

網路爬蟲的含義：

網路爬蟲，其實也可以叫做網路數據採集更容易理解。就是通過編程向網路伺服器請求數據（HTML表單），然後解析HTML，提取出自己想要的數據。

這會涉及到資料庫、網路伺服器、HTTP協議、HTML、數據科學、網路安全、圖像處理等非常多的內容。但對於初學者而言，並不需要掌握這麼多。

python如何封裝函數

可以定義一個類，類里定義很多函數(主要用它做什麼)或直接定義函數在一個py文件中

在另一個文件中導入這個那個py包，調用類和方法

就是封裝了

如何用Python封裝C語言的字元串處理函數

在C語言中，字元串處理是每天都要面對的問題。我們都知道C語言中其實並沒有一種原生的字元串類型，『字元串』在C語言里只是一種特殊的以”結尾的字元數組。因此，如何將C語言與更高層次的Python語言在『字元串』處理這個問題上對接是一個有難度的問題。所幸有swig這種強大的工具。

如何封裝一個函數，它修改參數字元串的內容

假如有這樣一個C語言的函數，

!– lang: cpp —

void FillZero(char* pc,size_t * piLen)

{

size_t i=0;

while(i++*piLen/2 )

*pc++ = ‘0’;

*pc = 0;

*piLen = i+1;

}

這個函數的功能是把字元串變成n個0。不過我們更關注函數的形式。這樣的函數，表面上看char* pc是函數的參數，可是實際上它才是函數的返回值和執行的結果。piLen這個參數既是pc的最大長度，也是新的字元串的長度。我們直接用python封裝，看看運行結果。

Type “help”, “copyright”, “credits” or “license” for more information.

import cchar

s=’123456′

cchar.FillZero(s,6)

Traceback (most recent call last):

File “stdin”, line 1, in module

TypeError: in method ‘FillZero’, argument 2 of type ‘size_t *’

結果差強人意，不是我們想要得到的結果。函數的第二個參數為size_t* 我們很難用python來表示，而且python中也不存在既是輸入，也是輸出的參數。

swig有一個標準庫，其中有一個cstring.i文件就是用來解決C語言字元串類型的問題。

我們在.i文件中加入這樣幾行

!– lang: cpp —

%include “cstring.i”

%cstring_output_withsize(char* pc,size_t* pi)

void FillZero(char* pc, size_t* pi);

然後運行看結果

Type “help”, “copyright”, “credits” or “license” for more information.

import cchar

cchar.FillZero(10)

‘00000\x00’

s=cchar.FillZero(10)

print s

00000

我們看函數的變化。首先在python里， FillZero變成了只有一個參數的函數。然後函數的返回值變成了一個字元串。其實cstring_output_size其實是一個宏，通過這個宏的定義改變了函數的形式，直接在Python中得到我們想要的結果。

其實類似cstring_output_size的宏還有好幾個，我列舉一下:

cstring_output_allocate(char *s,free($1));

第一個參數是指向字元串地址的指針，第二個參數為釋放空間的方法。

大家考慮這一下這樣的函數：

void foo(char* s)

{

s = (char*)malloc(10);

memcpy(s,”123456789″,9);

}

s這個參數表面上看是輸入，實際上是函數真正的輸出。 函數中真正改變的東西是chars指向的字元串的值。而且char這個類型,

python或者其他腳本語言里應該都沒有對應的類型。那麼我們用cstring_output_allocate將這個函數轉換成另外一個形式的python或者其他腳本語言的函數。轉換後的函數其實是這樣的，以python為例str

foo()。

!– lang: cpp —

%module a

%include “cstring.i”

%{

void foo(char* s);

%}

%cstring_output_allocate(char *s, free(*$1));

void foo(char *s);

在python中的調用：

!– lang: python —

import a

a.foo()

‘123456789’

cstring_output_maxsize(char *path, int maxpath);

第一個參數也是可以改變的字元串首地址，第二個參數為字元串的最大長度。在Python中調用的時候，只有maxpath這個參數，返回字元串。

cstring_output_allocate(char *s, free($1));

第一個參數為指向字元串首地址的指針，第二個參數為釋放指針的方法。這個宏主要是封裝一種直接在函數內部malloc空間的函數。在Python中調用時沒有參數，直接返回字元串。

cstring_output_allocate_size(char *s, int slen, free(*$1));

這個相當於前面兩個函數的組合。在函數內部malloc空間，然後將字元串長度通過slen返回。其實在調用的時候非常簡單，沒有參數，直接返回字元串。

如何處理c++的std::string

std::string是C++標準類庫STL中常見的類。在平時工作中大家肯定是沒少用。在python中如何封裝std::string? swig提供了標準庫

例如函數:

!– lang: cpp —

string Repeat(const string s)

{

return s+s;

}

只要在swig中加入這樣幾行：

!– lang: cpp —

%include “std_string.i”

using namespace std;

string Repeat(const string s);

運行結果：

Python 2.6.6 (r266:84292, Dec 27 2010, 00:02:40)

[GCC 4.4.5] on linux2

Type “help”, “copyright”, “credits” or “license” for more information.

import cchar

cchar.Repeat(‘123’)

‘123123’

使用起來很方便，但需要注意的是，假如函數的參數的內容是可以被修改，就不能用這種方式封裝。

例如:

!– lang: cpp —

void repeat(string s)

{

s+=s;

}

這樣的函數直接使用 ‘std_string.i’ 就是無效的。遇到這種函數，只能用C語言封裝成 void repeat(chars, int maxsize), 再用swig調用 ‘cstring_output_withsize’ 這個宏再封裝一次了。

怎麼把下面的Python代碼封裝成函數

Python：常用函數封裝：

def is_chinese(uchar):

“””判斷一個unicode是否是漢字”””

if uchar = u’\u4e00′ and uchar=u’\u9fa5′:

return True

else:

return False

def is_number(uchar):

“””判斷一個unicode是否是數字”””

if uchar = u’\u0030′ and uchar=u’\u0039′:

return True

else:

return False

def is_alphabet(uchar):

“””判斷一個unicode是否是英文字母”””

if (uchar = u’\u0041′ and uchar=u’\u005a’) or (uchar = u’\u0061′ and uchar=u’\u007a’):

return True

else:

return False

def is_other(uchar):

“””判斷是否非漢字，數字和英文字元”””

if not (is_chinese(uchar) or is_number(uchar) or is_alphabet(uchar)):

return True

else:

return False

def B2Q(uchar):

“””半形轉全形”””

inside_code=ord(uchar)

if inside_code0x0020 or inside_code0x7e: #不是半形字元就返回原來的字元

return uchar

if inside_code==0x0020: #除了空格其他的全形半形的公式為:半形=全形-0xfee0

inside_code=0x3000

else:

inside_code+=0xfee0

return unichr(inside_code)

def Q2B(uchar):

“””全形轉半形”””

inside_code=ord(uchar)

if inside_code==0x3000:

inside_code=0x0020

else:

inside_code-=0xfee0

if inside_code0x0020 or inside_code0x7e: #轉完之後不是半形字元返回原來的字元

return uchar

return unichr(inside_code)

def stringQ2B(ustring):

“””把字元串全形轉半形”””

return “”.join([Q2B(uchar) for uchar in ustring])

def uniform(ustring):

“””格式化字元串，完成全形轉半形，大寫轉小寫的工作”””

return stringQ2B(ustring).lower()

def string2List(ustring):

“””將ustring按照中文，字母，數字分開”””

retList=[]

utmp=[]

for uchar in ustring:

if is_other(uchar):

if len(utmp)==0:

continue

else:

retList.append(“”.join(utmp))

utmp=[]

else:

utmp.append(uchar)

if len(utmp)!=0:

retList.append(“”.join(utmp))

return retList