python - 关于代码的优化问题
问题描述
我新手写的代码,用来处理爬虫下来的htm文件内容,虽然解决问题,但是会有遗漏文件不处理。爬虫是爬一些文章的网站下来的,和网页另存为没什么区别。
想大神们帮我看看我的代码,怎么优化不会有遗漏。比较小白的代码,麻烦了!!!
# -*- coding: utf-8 -*import reimport globfilename_list = glob.glob(’*.html’)for i in filename_list: txt = '' with open(i, 'r') as htmfile:txt = htmfile.read() scdy = r'<hr[sS]*?<hr' onedotxt = re.findall(scdy, txt) if onedotxt:r = onedotxt[0] twotxt=re.sub(’<[^>]*>’, ’’, r) threetxt=re.sub(’<hr’, ’’, twotxt) fourtxt=re.sub(’’’, ’’, threetxt) fivetxt=re.sub(’”’, ’'’, fourtxt) sixtxt=re.sub(’“’, ’'’, fivetxt)endstr=re.sub(’–’, ’-’, sixtxt) name = endstr.split(’n’)[1] with open(name+'.txt', 'w') as wf: wf.write(endstr)
问题解答
回答1:filename_list = glob.glob(’.html’) + glob.glob(’.htm’)
相关文章:
1. angular.js - ng-grid 和tabset一起用时,grid width默认特别小2. 请问是对象还是数组3. python的文件读写问题?4. python for循环中的函数只能运行一次?5. css - transform-origin 旋转参考点6. vim - docker中新的ubuntu12.04镜像,运行vi提示,找不到命名.7. javascript - Vue.js2.0不能使用debounce后大伙一般是如何解决延迟请求的问题的呢。8. java - socket类服务端如何防止被ddos攻击?9. python - 有什么好的可以收集货币基金的资源?10. Python 匹配并删除redis的key
