摘要:頭兩天神游網(wǎng)上,無意間發(fā)現(xiàn)個可以免費下載電子書的網(wǎng)站,一下子就勾起了我的收藏癖,心癢癢的要把這些書下載下來,正好前不久的作者出了一個新庫,它不僅可以請求網(wǎng)頁,還可以解析文檔,話不多說,咱開始吧。安裝安裝很簡單,只要執(zhí)行就可以了。
頭兩天神游網(wǎng)上,無意間發(fā)現(xiàn)個可以免費下載電子書的網(wǎng)站,一下子就勾起了我的收藏癖,心癢癢的要把這些書下載下來,正好前不久 requests 的作者 kennethreitz 出了一個新庫 requests-html ,它不僅可以請求網(wǎng)頁,還可以解析 HTML 文檔,話不多說,咱開始吧。
安裝安裝很簡單,只要執(zhí)行:
pip install requests-html
就可以了。
分析頁面結(jié)構(gòu)通過瀏覽器審查元素可以發(fā)現(xiàn)這個電子書網(wǎng)站是用 WordPress 搭建的,首頁列表元素很簡單,很規(guī)整,
所以我們可以查找 .entry-title > a 獲取所有圖書詳情頁的鏈接,接著我們進入詳情頁,來尋找下載鏈接,由下圖
可以發(fā)現(xiàn) .download-links > a 里的鏈接就是該書的下載鏈接,回到列表頁可以發(fā)現(xiàn)該站一共 700 多頁,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 GET 請求:
from requests_html import HTMLSession session = HTMLSession() r = session.get("https://python.org/")
Requests-html 的方便之處就是它解析 html 方式就像使用 jQuery 一樣簡單,比如:
# 獲取頁面的所有鏈接可以這樣寫: r.html.links # 會返回 {"http://docs.python.org/3/tutorial/", "/about/apps/"} # 獲取頁面的所有的絕對鏈接: r.html.absolute_links # 會返回 {"https://github.com/python/pythondotorg/issues", "https://docs.python.org/3/tutorial/"} # 通過 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 HTML about.find("a") # 獲取 .about 下的所有 a 標簽構(gòu)建代碼
from requests_html import HTMLSession import requests import time import json import random import sys session = HTMLSession() list_url = "http://www.allitebooks.com/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" ] # 獲取當前列表頁所有圖書鏈接 def get_list(url): response = session.get(url) all_link = response.html.find(".entry-title a") # 獲取頁面所有圖書詳情鏈接 for link in all_link: getBookUrl(link.attrs["href"]) # 獲取圖書下載鏈接 def getBookUrl(url): response = session.get(url) l = response.html.find(".download-links a", first=True) if l is not None: # 運行后發(fā)現(xiàn)有的個別頁面沒有下載鏈接,這里加個判斷 link = l.attrs["href"]; download(link) #下載圖書 def download(url): # 隨機瀏覽器 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 # 文件路徑寫死了,運行時當前目錄必須有名 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,則直接寫入返回的文本 if total_length is None: f.write(response.content) else: # 下載進度條 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(" [%s%s]" % ("=" * done, " " * (50-done)) ) # 打印進度條 sys.stdout.flush() print(filename + "下載完成!") if __name__ == "__main__": #從這運行,應(yīng)為知道列表總數(shù),所以偷個懶直接開始循環(huán) for x in range(1,756): print("當前頁面: "+ str(x)) get_list(list_url+str(x))運行效果: 公眾號
我的公眾號喔噢實驗室,歡迎交流~
文章版權(quán)歸作者所有,未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為,您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請注明本文地址:http://specialneedsforspecialkids.com/yun/41949.html
摘要:時間永遠都過得那么快,一晃從年注冊,到現(xiàn)在已經(jīng)過去了年那些被我藏在收藏夾吃灰的文章,已經(jīng)太多了,是時候把他們整理一下了。那是因為收藏夾太亂,橡皮擦給設(shè)置私密了,不收拾不好看呀。 ...
摘要:在知乎上,你一定關(guān)注了一些不錯的專欄比如的編程教室。有需要的請在公眾號里回復(fù)爬蟲實戰(zhàn)源碼下載獲取知乎專欄下載器源碼,請在公眾號的編程教室里回復(fù)關(guān)鍵字知乎除了代碼外,本專欄打包好的也一并奉上,歡迎閱讀與分享。 老是有同學(xué)問,學(xué)了 Python 基礎(chǔ)后不知道可以做點什么來提高。今天就再用個小例子,給大家講講,通過 Python 和 爬蟲 ,可以完成怎樣的小工具。 在知乎上,你一定關(guān)注了...
摘要:有的人學(xué)了兩三個月,卻連門都入不了,而有的人一個月左右就開始做項目,造成這么大反差的原因,其實學(xué)習(xí)資源占據(jù)了很大的因素。別在網(wǎng)上瞎學(xué)了,我最近也做了一些資源的更新,只要你是我的粉絲,這期福利你都可拿走。 ...
摘要:找資源確實容易,找到能用的資源卻很難,有時候?qū)W了一段時間還一無所獲,很大原因是資源的問題。其他資料還有其他的一些東西,比如說中文版的庫資料筆記大全標簽大全等等,這些都是可以送給粉絲們的東西。 ...
閱讀 1074·2021-11-24 09:39
閱讀 1306·2021-11-18 13:18
閱讀 2425·2021-11-15 11:38
閱讀 1824·2021-09-26 09:47
閱讀 1625·2021-09-22 15:09
閱讀 1624·2021-09-03 10:29
閱讀 1510·2019-08-29 17:28
閱讀 2951·2019-08-29 16:30