尝试从 Python 中的一系列 URL 下载数据（文本）

Question

抱歉，这个问题可能很无聊。我正在尝试一次从一系列带有 Python 的 URL 下载文本。它们遵循一个非常简单的结构：

"http://example.com/01000/01000/01000.htm"; "http://example.com/01000/01001/01001.htm";

以此类推，直到01099。

得到文本后，我需要用nltk工具包对其进行分析。我曾尝试在 Windows 上使用 wget，但在命令行中不起作用。我想知道是否有一种方法，类似于用于 URL 的 glob 模块一次从该范围下载数据。

（范围内还有一些空白网址。）

非常感谢您的帮助。

Answer 1

使用字符串操作获得 URL 后（看到您知道 URL 的结构），您可以使用 Requests module

示例；

import requests

base_url = "http://example.com/01000/01001/0"
for i in range(1000, 1100):
    target_url = base_url + str(i) + ".htm"
    r = requests.get(target_url)

    print(r.text) # python 3 only

Answer 2

你可以试试我的python3-wget module。这是一个使用示例；

#!/usr/bin/python3
#-*- coding:utf-8 -*-

import wget

urls = 'http://example.com/01000/01000/0'
for x in range(1000, 1099):
    url = urls + str(x) + '.htm' 
    filename = wget.download(url)

这将下载所有文件，如果您需要从页面中提取特定文本，您将需要研究使用 Requests 和 BeautifulSoup4 创建一个简单的网络抓取工具。

Answer 3

非常感谢您的帮助。最后，这就是我的代码的样子：

import requests
base_url = "http://example.com/01000/0"
for i in range(1000, 1100):
    target_url = base_url + str(i) + '/' + '0' + str(i) + ('.htm')
    r = requests.get(target_url)
    print(target_url)

    with open(str(i) + ".htm", 'w', encoding="iso-8859-1") as f:
    f.write(r.text)

 #The encoding is due to language specific text. 
#It downloaded all the files in the given range: http://example.com/01000/01000/01000.htm 
#to /01000/01099/01099.htm.

尝试从 Python 中的一系列 URL 下载数据（文本）

Trying to download data (text) from a range of URLs in Python

python

wget

urllib

glob