|
正好前不久 requests 的作者 kennethreitz 出了一個(gè)新庫(kù) requests-html ，它不僅可以請(qǐng)求網(wǎng)頁(yè)，還可以解析 HTML 文檔，話不多說(shuō)，咱開(kāi)始吧。 安裝. 安裝很簡(jiǎn)單，只要執(zhí)行： pip install requests-html
就可以了。 分析頁(yè)面結(jié)構(gòu) 通過(guò)瀏覽器審查元素可以發(fā)現(xiàn)這個(gè)電子書(shū)網(wǎng)站是用 WordPress 搭建的，首頁(yè)列表元素很簡(jiǎn)單，很規(guī)整， 所以我們可以查找.entry-title > a獲取所有圖書(shū)詳情頁(yè)的鏈接，接著我們進(jìn)入詳情頁(yè)，來(lái)尋找下載鏈接. 由下圖. 可以發(fā)現(xiàn).download-links > a里的鏈接就是該書(shū)的下載鏈接. 回到列表頁(yè)可以發(fā)現(xiàn)該站一共 700 多頁(yè)，由此我們便可以循環(huán)列表獲取所有的下載鏈接。 Requests-html 快速指南發(fā)送一個(gè) GET 請(qǐng)求： from requests_html import HTMLSessionsession = HTMLSession()r = session.get('https:///')
Requests-html 的方便之處就是它解析 html 方式就像使用 jQuery 一樣簡(jiǎn)單，比如： # 獲取頁(yè)面的所有鏈接可以這樣寫(xiě)：r.html.links# 會(huì)返回 {'//docs./3/tutorial/', '/about/apps/'}# 獲取頁(yè)面的所有的絕對(duì)鏈接：r.html.absolute_links# 會(huì)返回 {'https://github.com/python/pythondotorg/issues', 'https://docs./3/tutorial/'}# 通過(guò) CSS 選擇器選擇元素：about = r.find('.about', first=True)# 參數(shù) first 表示只獲取找到的第一元素about.text # 獲取 .about 下的所有文本about.attrs # 獲取 .about 下所有屬性像 id, src, href 等等about.html # 獲取 .about 的 HTMLabout.find('a') # 獲取 .about 下的所有 a 標(biāo)簽
構(gòu)建代碼. from requests_html import HTMLSessionimport requestsimport timeimport jsonimport randomimport syssession = HTMLSession()list_url = 'http://www./page/'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']# 獲取當(dāng)前列表頁(yè)所有圖書(shū)鏈接def get_list(url): response = session.get(url) all_link = response.html.find('.entry-title a') # 獲取頁(yè)面所有圖書(shū)詳情鏈接 for link in all_link: getBookUrl(link.attrs['href'])# 獲取圖書(shū)下載鏈接def getBookUrl(url): response = session.get(url) l = response.html.find('.download-links a', first=True) if l is not None: # 運(yùn)行后發(fā)現(xiàn)有的個(gè)別頁(yè)面沒(méi)有下載鏈接，這里加個(gè)判斷 link = l.attrs['href']; download(link)#下載圖書(shū)def download(url): # 隨機(jī)瀏覽器 User-Agent headers={ 'User-Agent':random.choice(USER_AGENTS) } # 獲取文件名 filename = url.split('/')[-1] # 如果 url 里包含 .pdf if '.pdf' in url: file = 'book/'+filename # 文件路徑寫(xiě)死了，運(yùn)行時(shí)當(dāng)前目錄必須有名 book 的文件夾 with open(file, 'wb') as f: print('正在下載 %s' % filename) response = requests.get(url, stream=True, headers=headers) # 獲取文件大小 total_length = response.headers.get('content-length') # 如果文件大小不存在，則直接寫(xiě)入返回的文本 if total_length is None: f.write(response.content) else: # 下載進(jìn)度條 dl = 0 total_length = int(total_length) # 文件大小 for data in response.iter_content(chunk_size=4096): # 每次響應(yīng)獲取 4096 字節(jié) dl += len(data) f.write(data) done = int(50 * dl / total_length) sys.stdout.write('\r[%s%s]' % ('=' * done, ' ' * (50-done)) ) # 打印進(jìn)度條 sys.stdout.flush() print(filename + '下載完成！')if __name__ == '__main__': #從這運(yùn)行，應(yīng)為知道列表總數(shù)，所以偷個(gè)懶直接開(kāi)始循環(huán) for x in range(1,756): print('當(dāng)前頁(yè)面: '+ str(x)) get_list(list_url+str(x))
運(yùn)行效果： 小編寄語(yǔ)最后小編幫助大家整理了一套python教程，下面展示了部分，希望也能幫助對(duì)編程感興趣，想做數(shù)據(jù)分析，人工智能、爬蟲(chóng)或者希望從事編程開(kāi)發(fā)的小伙伴，畢竟python工資也還可以，如果能幫到你請(qǐng)點(diǎn)贊、點(diǎn)贊、點(diǎn)贊。
|
