记录一下python写爬虫必须要注意的几个点

共计 565 个字符，预计需要花费 2 分钟才能阅读完成。

因为好久没写过爬虫了，这次单位有需求要爬取几TB的资料，在测试过程中遇到一些问题，总结下来，未来写爬虫的时候可以避坑。

问题1：JSON Object Key不存在。规范的情况下，返回的JSON对象数组应该是统一的，即使数据不存在也应该是空字符串或者null或者别的什么，但是这个系统过于老旧，编码也乱七八糟不规范，导致个别数据不存在的时候，压根不返回这个Key。

解决方案：

if 'key' not in item:
    continue

只需要判断一下这个key在不在item里，不在直接跳出此循环。

问题2：保存的文件名/路径有非法字符。在Windows下，创建的文件夹/文件时，文件名不能包含以下字符：

\ / : * ? " < > |

因此，如果文件名/路径名中有此些字符，需要替换掉，这里提供一个替换方法：

def string_format(str: string, replacement: string=''):
    illegal_words = ['\\', '/', '*', '?' '"', '<', '>', '|']
    for word in illegal_words:
        if word in str:
            str = str.replace(word, replacement)
    return str

参数说明：str 要格式化的字符串，replacement 将非法字符替换成指定内容，不填写则替换空字符串。