摘要：
今天主要对从CSDN爬取的标题利用jieba（结巴）进行分词，但在分词过程中发现，如大数据被分成了大/数据，云计算被分隔成了云/计算。 后来又从百度百科 》信息领域爬取了相关词语作为词典，预计今天晚上完成切词任务。 其中分割代码如下： 1 import jieba 2 import io 3 4 # 阅读全文
摘要：
爬取积分榜前3000名博主前20页的博客标题， 根据左下角 博客列表页面 进行爬取 代码如下： 1 import requests 2 from bs4 import BeautifulSoup 3 import io 4 import re 5 6 url="" 7 8 #写入内容 9 def C 阅读全文
摘要：
首先新建一个Lei.txt 内容为： CloudComputingParentBlockchainTechnologyEnterpriseDotNETJavaWebDevelopVCVBDelphiBCBCppOtherLanguageMSSQLPowerBuilderOracleLinuxWind 阅读全文
摘要：
正则表达式*通用的字符串表达框架*简介表达一组字符串的表达式*判断某字符串的特征归属 例：'PY' 'PYY' 'PYYY' 'PYYYY' ...... P后面有无穷多个Y >正则表达式：PY+ 例：'PY'开头 后续存在不多于10个字符后续字符不能是'P'或'Y'如：'PYABC' √ 'PYK 阅读全文
摘要：
.find_all(name,attrs,recursive,string,**kwargs) name：对标签名称的检索字符串attrs：对标签属性值的检索字符串，可标注属性检索recursive：是否对子孙全部检索，默认为Truestring <>....</>中字符串区域的检索字符串 soup 阅读全文
摘要：
1.BeautifulSoup简介 BeautifulSoup4和 lxml 一样，Beautiful Soup 也是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。 BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如 阅读全文
摘要：
1.下行遍历 标签树的下行遍历.content 子节点列表，将tag所有儿子节点存入列表.children 子节点的迭代类型，与.contents类似用于循环遍历儿子节点.descendants 子孙节点的迭代类型，包含所有子孙节点，用于循环遍历 测试代码： import requests from 阅读全文
摘要：
今天主要又继续了Python网络爬虫的学习，并完成了首都之窗百姓信件单一页面的爬取，明天打算完成整个爬虫任务。 源代码如下： import requests from bs4 import BeautifulSoup kv = {'user-agent': 'Mozilla/5.0'} id="AH 阅读全文
摘要：
今天通过Python网络爬虫视频复习了一下以前初学的网络爬虫，了解了网络爬虫的相关规范。 案例：京东的Robots协议 https://www.jd.com/robots.txt 说明可以爬虫的范围 #注释. *代表所有 /代表根目录 robots协议 http://www.baidu.com/ro 阅读全文
摘要：
今天完成了实验四的第二问和第三问 第二题 对于两个输入文件 A 和 B，编写 Spark 独立应用程序，对两个文件进行合并，并剔除其 中重复的内容，得到一个新文件 C。下面是输入文件和输出文件的一个样例，供参考。 输入文件 A 的样例如下： 20170101 x 20170102 y 2017010 阅读全文