这篇文章给大家介绍Python中怎么爬取各种文档类型，内容非常详细，感兴趣的小伙伴们可以参考借鉴，希望对大家能有所帮助。
抓取TXT文档
在python3下，常用方法是使用urllib.request.urlopen方法直接获取。之后利用正则表达式等方式进行敏感词检索。
方法：
（1）利用urlopen抓取远程word docx文件；
（2）将其转换为内存字节流；
（3）解压缩（docx是压缩后文件）；
（4）将解压后的文件作为xml读取
（5）寻找xml中的标签（正文内容）并处理
关于Python中怎么爬取各种文档类型就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
