测试开发实习日记（DAY4）

现在公司这边需要一批电影的词库，一方面是一堆现有的文件中提取整合，另一方面需要自己去爬取。以下就以这两个方面来分别介绍一下。

1.1 如何将一个文件夹下的一堆文件整合成一个文件，把数据合并

这里需要用到os这个库，os.listdir(filepath)会返回该路径下所有文件的一个迭代器，然后再分别把这些文件用for循环打开，把里面的内容提取出来，用一个第三方的变量存储，最后所有的都读完之后，就把这个变量单独存成一个txt，这就是思路。

程序代码可以参考以下以下几行：

import os
filenames=os.listdir(datafile)
for filename in filenames:with open(datafile+filename, encoding='utf-8') as f:for line in f.readlines():prewordlist.append(line.replace("\n",""))

这个执行完之后，会得到一个prewordlist，这里面存储了所有文件中的词汇组成的列表。

1.2 如何对list进行去重

与list这种数据结构平行的还有一个set（集合），set的特点就是里面不存在重复的数据，可以直接使用set(list)将一个list转换为set,也可以将一个list(set)将一个set转换为list。此外，set还可以进行求交集，并集和差集。

例如在这里，如果我们想对于prewordlist进行去重处理得到新的list，可以进行如下操作，

prewordlist=list(set(prewordlist))

如果想得到两个list之间的交集list，可以进行如下操作：

common_list = list(set(prewordlist).intersection(set(newwordlist)))

如果我们想删除list中的第i个元素，可以使用pop()

list.pop(i)

得到list的实际元素个数

len(list)

1.3 如何判断一个字符串中是否含有特殊字符？

所谓的“特殊字符”可以理解成除了汉字、数字、英文字母之外的其它字符，如标点符号，日语，五角星等等。其基本的判断思路就是对于字符串中的每一个字符进行遍历，看看其是否是汉字、数字、英文字母，判断的依据是根据各个字符的ASCII码或者Unicode吗。

具体代码参考如下(使用Unicode码)：

def is_chn(uchar):if uchar >= u'\u4e00' and uchar <= u'\u9fa5':return Trueelse:return False
def is_num(uchar):if uchar >= u'\u0030' and uchar <= u'\u0039':return Trueelse:return False
def is_word(uchar):if ( uchar >= u'\u0041' and uchar <= u'\u005a' ) or ( uchar >= u'\u0061' and uchar <= u'\u007a'):return Trueelse:return False
def judge(ustring):for s in ustring:if s is not '\n':if (is_chn(s) or is_num(s) or is_word(s)) is False:return Falsereturn True

1.4 如何将字符串中英文和数字的全角转成半角

全角半角的概念：

全角是指一个字符占用两个标准字符位置，半角是指一个字符占用一个标准字符位置。全角占两个字节，半角占一个字节。通常的编程语言中，都是使用半角字符。汉字默认是全角的，因此中文里面的句号是一个圆圈，而英文半角的句号只是一个点。

在ASCII码中，全角字符的ASCII码值比对应的半角字符多65248。因此这里只需要首先获得其ASCII码值，然后对于英文和数字，如果是全角，将其减去65248，再进行解码即可，程序代码参考如下：

def w2h(ustring):"""全角转半角"""rstring = ""for uchar in ustring:inside_code=ord(uchar)if inside_code == 12288:                              #全角空格直接转换            inside_code = 32 elif (inside_code >= 65281 and inside_code <= 65374): #全角字符（除空格）根据关系转化inside_code -= 65248rstring += chr(inside_code)return rstring

2 对于三个网站（豆瓣、电影天堂，一起搜电影）进行爬取的方法还是与之前的介绍类似，首先使用requests库的get方法获得html网页，再利用pyquery分析网页中的内容，把需要的信息提取出来，保存。以下直接粘贴以下代码：

电影天堂：

#coding=utf-8
import chardet
import requests
from pyquery import PyQuery as pq
import re
movie=[]
movie_list=[]for page in range(1, 177):print(page)url='http://www.ygdy8.net/html/gndy/dyzz/list_23_'+str(page)+'.html'response=requests.get(url)text = response.text.encode('iso-8859-1').decode('gbk','ignore')#这一步搞了一下午T_Tdoc=pq(text)moviename=doc('#header .contain .bd2 .bd3 .bd3r .co_area2 .co_content8 table tr b a')pattern = re.compile(r'《(.+?)》')movie_list = re.findall(pattern,moviename.text())movie.extend(movie_list)#print(movie)
movie=list(set(movie))
s = "\n".join(movie)
datapath='D:/输出词库/电影天堂电影/'+'zuixin'+'.txt'
with open(datapath,'w') as f:f.write(s)f.close()

一站搜电影：

#coding=utf-8
import chardet
import requests
from pyquery import PyQuery as pq
import re
movie=[]
movie_list=[]for page in range(1, 497):print(page)url='http://v.yizhansou.com/mv/?p='+str(page)response=requests.get(url)#text = response.text.encode('iso-8859-1').decode('gbk','ignore')text=response.textdoc=pq(text)moviename = doc('tr .xt a')movie_list=moviename.text().split()movie.extend(movie_list)#print(movie)
movie=list(set(movie))
s = "\n".join(movie)
datapath='D:/输出词库/一站搜电影/'+'yizhansou'+'.txt'
with open(datapath,'w') as f:f.write(s)f.close()

这些网站的资源毕竟过小，加一起也就两万左右，偶然发现了一个很棒的电影索引网站，电影FM，但是在爬取过程中发现，如果page>50的话，需要登陆后才可以继续获得网页。这里就牵扯到一个表单的问题，搞了一天也没搞出来，但是学习了fidder抓包软件的使用，将在下一节进行分享。