[Python] Hilo general

#482eondev:

el IntelliJ usa el mismo tipo para todos

No.

Tengo yo proyectos de PHP, Python y Bash todos configurados por proyecto, porque todos esos settings se guardan en el .idea del proyecto.

Buenas tardes!

Estoy haciendo un máster relacionado con Big Data y en la asignatura de Programación I estamos con Python (todos somos novatos en mi clase en lo que a programación se refiere). La cuestión es que tengo una relación de ejercicios y no tengo ni idea de cómo plantear estos 2:

"Diseñe un programa que concatene los contenidos de los ficheros contenidos en una carpeta y los escriba en otro fichero. Los nombres de los ficheros y la carpeta se pediran al usuario por teclado."

"Escriba un programa que lea los DNI contenidos en un fichero y escriba los NIF correspondientes en otro fichero. Puede haber mas de un DNI por linea. Consideraremos que un numero es un DNI correcto si es positivo y tiene 8 digitos. Los nombres de los dos ficheros se introduciran por teclado."

Alguna orientación?

#489 stack overflow e intentar desgranar el problema en diferentes pasos sencillos
No quiero sonar borde con esto, pero esta es la clase de pregunta que se hace a tus compañeros o profesor. SI vas a un foro de programadoras y pegas el enunciado muchas veces te encontraras con respuestas bordes y votaciones negativas.
Ahora si pro ejemplo tienes una duda tipo "Trabajando con python tengo unos problemas de mutabilidad que no acbo de entender, alguien tiene alguna lectura/libro recomendada para el tema" pues bienvenido seas

#502 expresiones regulares para parsear html, jamás

#500 Puedes usar requests + beautifulsoup4 y hacerlo en un pollazo.

Vuelvo a postear para dar más por culo Sigo liado con el tema del scraping, pero algo más encaminado. La cosa es que he creado un archivo "url.txt" con el enlace a 15 paginas de las 171 que tengo que leer simplemente para hacer pruebas y demás. El problema lo tengo con el comando "find_all" y es que cada vez que lanzo el código, me sale el siguiente error: 'NoneType' object has no attribute 'find_all'. Lo curioso del error es que me sale cada vez en puntos diferentes, es decir, lo mismo me da los resultados de 100 empresas y me salta el error, que vuelvo a lanzar, me da 4 y me salta el error de nuevo, vuelvo a lanzar y me salta directamente el error... Y no entiendo por qué es tan aleatorio en vez de darme el aviso en el mismo punto. Os copio el código de lo que llevo (seguramente no sea la forma óptima de hacerlo, pero es como lo he venido desarrollando. Tened en cuenta que no soy programador y que estoy aprendiendo )

with open('urls.txt') as inf:
    items= []
    urls = (line.strip() for line in inf)
    for url in urls:
        site = urlopen(url)
        soup = BeautifulSoup(site, "html.parser")
        marcas = soup.find('tbody').find_all('a', href=True)
        for item in marcas:
            #print item.text
            items.append(item.text)
            print items

with open('urls.txt') as inf:
    col_provincias= []
    urls = (line.strip() for line in inf)
    for url in urls:
        site = urlopen(url)
        soup = BeautifulSoup(site, "html.parser")
        provincias = soup.find('tbody').find_all('td', class_='mobile-hidden')
        for provincia in provincias:
            col_provincias.append(provincia.text)
            print col_provincias

with open('urls.txt') as inf:
    links = []
    urls = (line.strip() for line in inf)
    for url in urls:
        site = urlopen(url)
        soup = BeautifulSoup(site, "html.parser")
        web_empresa = soup.find('tbody').find_all('a')
        for link in web_empresa:
            A = link.get('href')
            #print A
            links.append(A)
            print links

url_base = 'https://guiaempresas.universia.es'

dir_empresa = []
for link in links:
    url_empresa = url_base + str(link)
    web = urlopen(url_empresa)
    soup4 = BeautifulSoup(web, 'html.parser')
    direccion = soup4.find('tbody').find_all('span', class_='street-address')
    for address in direccion:
        dir_empresa.append(address.text)
        print dir_empresa

Están puestos en bloques separados porque mi intención era ir haciendo pruebas para ver qué salía, una vez esté todo revisado, lo pondre todo dentro del mismo bloque