首页 > Web开发 > 详细

用requests-html爬取PDF

时间:2020-01-15 16:55:31      阅读:89      评论:0      收藏:0      [点我收藏+]

前不久 requests 的作者 kennethreitz 出了一个新库 requests-html ,它不仅可以请求网页,还可以解析 HTML 文档,话不多说,咱开始吧。

安装

安装很简单,只要执行:

pip install requests-html

分析页面结构

通过浏览器审查元素可以发现这个电子书网站是用 WordPress 搭建的,首页列表元素很简单,很规整,

技术分享图片

所以我们可以查找 .entry-title > a 获取所有图书详情页的链接,接着我们进入详情页,来寻找下载链接,由下图

技术分享图片

可以发现 .download-links > a 里的链接就是该书的下载链接,回到列表页可以发现该站一共 700 多页,由此我们便可以循环列表获取所有的下载链接。

构建代码

from requests_html import HTMLSession
import requests
import time
import json
import random
import sys

session = HTMLSession()
list_url = http://www.allitebooks.com/page/

#引入浏览器头,防止封ip USER_AGENTS
= [ "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER", "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)", "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1", "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5", "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre", "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11", "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10" ] # 获取当前列表页所有图书链接 def get_list(url): response = session.get(url) all_link = response.html.find(.entry-title a) # 获取页面所有图书详情链接 for link in all_link: getBookUrl(link.attrs[href]) # 获取图书下载链接 def getBookUrl(url): response = session.get(url) l = response.html.find(.download-links a, first=True) if l is not None: # 运行后发现有的个别页面没有下载链接,这里加个判断 link = l.attrs[href]; download(link) #下载图书 def download(url): # 随机浏览器 User-Agent headers={ "User-Agent":random.choice(USER_AGENTS) } # 获取文件名 filename = url.split(/)[-1] # 如果 url 里包含 .pdf if ".pdf" in url: file = book/+filename # 文件路径写死了,运行时当前目录必须有名 book 的文件夹 with open(file, wb) as f: print("正在下载 %s" % filename) response = requests.get(url, stream=True, headers=headers) # 获取文件大小 total_length = response.headers.get(content-length) # 如果文件大小不存在,则直接写入返回的文本 if total_length is None: f.write(response.content) else: # 下载进度条 dl = 0 total_length = int(total_length) # 文件大小 for data in response.iter_content(chunk_size=4096): # 每次响应获取 4096 字节 dl += len(data) f.write(data) done = int(50 * dl / total_length) sys.stdout.write("\r[%s%s]" % (= * done, * (50-done)) ) # 打印进度条 sys.stdout.flush() print(filename + 下载完成!) if __name__ == __main__: #从这运行,应知道列表总数,所以偷个懒直接开始循环 for x in range(1,756): print(当前页面: + str(x)) get_list(list_url+str(x))

运行效果:

技术分享图片

 

 

参考了链接:https://zhuanlan.zhihu.com/p/99139069

用requests-html爬取PDF

原文:https://www.cnblogs.com/lfri/p/12197327.html

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!