考虑到现在大部分小伙伴使用 Python 主要因为爬虫,那么为了更好地帮助大家巩固爬虫知识,加深对爬虫的理解,选择了爬取百度文库作为我们的目标。
废话不多说,我们开始。
TXT、DOCX 爬取与保存
这是小编准备的python基础学习资料,关注,转发,私信小编“01”即可免费领取!
在爬取任何东西之前,我们都要先确认需要爬取的数据是不是异步加载的;如果是异步加载的直接爬取网页是爬不到的。
要知道是不是异步加载其实很简单,就用requests 对网页发起请求,看看 response 是什么就可以了
url = 'https://wenku.baidu.com/view/4e29e5a730126edb6f1aff00bed5b9f3f90f72e7.html?rec_flag=default'header = {'User-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'}res = requests.get(url , headers = header)res.text
很明显,返回的东西,并不是我们所需要的内容; 根据常理来说,我们就可以认为该网页是异步加载的。
但是,从常识来讲,如果网页的内容是异步加载的,那么直接通过百度搜索,是搜索不到网页内部的内容的,但是很显然,我们每次通过百度搜索都是可以直接找到文库中的文本内容的。
如下:
那么这就有意思了,明明直接发起请求是获取不到网页内容的,但是为什么通过百度搜索就可以找到呢? 关键肯定在于百度搜索 上面。
这个时候通过查阅资料,我们了解到,最主要的问题出在我们的 headers
在爬取网页时,headers 通常是作为身份证,让网页不看出我们是爬虫;如果不加 headers,网页直接就会看出我们是爬虫,就会拒绝访问
再深入了解一下 headers 的识别机理,我们发现了叫做 Robot 协议的东西。
它规定了什么样的 headers 可以访问网页内部内容,除了指定 headers 之外的 headers,都是无法请求页面内容的。
比如说百度文库的 Robot 协议就是下面这样的:
User-agent: BaiduspiderDisallow: /w?Disallow: /search?Disallow: /submitDisallow: /uploadDisallow: /cashier/
而我们需要爬取的内容 url 格式为
https://wenku.baidu.com/view/?.html
这代表 Baiduspider 应该可以爬取文库内容;大致猜测这是因为百度搜索时需要根据文本内容匹配搜索选项,所以放行。
因此我们尝试伪装 UA 为 Baiduspider
url = 'https://wenku.baidu.com/view/4e29e5a730126edb6f1aff00bed5b9f3f90f72e7.html?rec_flag=default'header = {'User-agent': 'Googlebot'}res = requests.get(url , headers = header)res.text
果然不出所料,我们成功地获取到了目标内容
既然已经成功获取到了网页的正确源代码,那么下一步就是去解析网页获取内容。
解析网页源代码的库有很多,这里我们使用 BeautifulSoup
plist = []soup = BeautifulSoup(r, "html.parser")plist.append(soup.title.string)for div in soup.find_all('div', attrs={"class": "bd doc-reader"}): plist.extend(div.get_text().split('\n'))plist = [c.replace(' ', '') for c in plist]plist = [c.replace('\x0c', '') for c in plist]plist
整个解析是非常容易的,都是很标准的操作。
在这里就不多加叙述了,最终的效果如下:
当然爬取到东西了只是万里长征的第一步,就这样是肯定不行的,我们还需要将爬取的内容保存起来,通常是保存为 txt 文件
file = open('test.txt', 'w',encoding='utf-8')for str in plist: file.write(str) file.write('\n')file.close()
但是为了美观起见,我们在这里选择使用 python-docx 库将内容保存为 docx 文件
with open('test.txt', encoding='utf-8') as f: docu = Document() docu.add_paragraph(f.read()) docu.save('test.docx')
PPT、PDF 爬取与保存
有了之前的经验教训,在爬取的时候我们首先就尝试了使用爬取 TXT、DOCX 的方法,尝试是否可以爬到内容
url = 'https://wenku.baidu.com/view/a4ac1b57dd88d0d232d46a0f.html?fr=search'header = {'User-agent': 'Googlebot'}res = requests.get(url , headers = header)res.text
很可惜的是,我们并没有访问到
原因仔细想想也很简单,在百度搜索的时候,直接搜索是搜不到 PPT 或者 PDF 的内容的
那么很显然,PPT 和 PDF 是通过异步的方法进行内容加载的
对待异步加载的数据,我们通常采取的策略有两种
1、第一个就是直接找到发起异步请求的接口,自己构造请求头,发起请求
2、第二个就是通过 Selenium 这样的自动化测试工具去爬取
百度文库的接口太难找了,请求头的构造也很麻烦,找了很久也没有很满意。
所以在本次爬取中,我们使用的是第二种方法,使用 Selenium 这样的自动化测试工具
这里我们需要下载 ChromeDriver 这个插件,当然这里是默认大家使用的是 Chrome 浏览器,如果是其他的浏览器,firefox,safari 等等,直接去网上找到相应 Driver 就可以了。
这里给出 ChromeDriver 的下载地址
http://npm.taobao.org/mirrors/chromedriver/
大家一定要下载和自己 Chrome 浏览器版本一致的 ChromeDriver,不然程序是运行会报错
我们先不急着马上开始爬取,我们先来尝试使用一下Selenium调用ChromeDriver
import requestsfrom selenium import webdriverurl = 'https://wenku.baidu.com/view/5292b2bc0166f5335a8102d276a20029bd64638c.html?fr=search'driver = webdriver.Chrome(r'F:\driver\chromedriver.exe')driver.get(url)
怎么样,是不是浏览器自动打开了? 现在我们尝试输出这个 driver,就可以看见,网页的正确源代码已经在里面了
现在我们仔细研究一下源代码就可以看到,我们需要的内容在下面这个位置
现在正确的源代码也有了,内容的位置也知道了,直接解析,爬取,完事就好了。
想得美,经过这样的爬取之后,对内容进行解析,让我们看看究竟爬到没有
from lxml import etreeimport rehtml=etree.HTML(driver.page_source)links=html.xpath("//div[@class='reader-pic-item']/@style")part = re.compile(r'url[(](.*?)[)]')qa="".join(links)z=part.findall(qa)z
我们可以知道,其实我们只爬到 3 张 PDF,其他的都没有爬到。
这是为什么呢?
这是百度文库为了防止大家去爬,专门设置的一个小机关
返回百度文库,我们仔细看看源代码,其实我们可以发现,随着页面的变化,源代码是不断改变的,每次都只有 3 张图片的 url。
并且这个页码数也有一定的规律,如果在第二页,那么图片就是 1,2,3,如果在第三页,图片就是 2,3,4
那么我们的疑惑一下就解决了,只需要不断地进行换页的爬取,就可以了
接下来就是如何实现换页的操作了
这个需要两个步骤,先是点击继续阅读,然后进行页面输入实现换页。
先实现点击的操作,代码如下:
button = driver.find_element_by_xpath("//*[@id='html-reader-go-more']/div[2]/div[1]/span")button.click()driver.execute_script("arguments[0].click();", button)
整个操作是通过 JS 来进行的,大家可以把这个记住,以后需要点击的时候直接用就可以
然后就是输入页面实现换页,这个其实涉及的比较多,细分的话,步骤分为获取总页数,依次输入页面并点击。
import re# 寻找页面source = re.compile(r'<span class="page-count">/(.*?)</span>')number = int(source.findall(driver.page_source)[0])# 输入页面并点击driver.find_element_by_class_name("page-input").clear()driver.find_element_by_class_name("page-input").send_keys('2')driver.find_element_by_class_name("page-input").send_keys(Keys.ENTER)
如果小伙伴成功实现了上面的操作,其实大体的爬取工作已经差不多了,接下来就是保存我们的 PPT 和 PDF了
因为爬取 PDF 和 PPT 的时候,我们是爬取的图片的源地址,那么我们要获得这张图片并保存下来就必须对这个地址发起请求,然后将返回头以二进制保存下来。
for m in range(3): pic = requests.get(z[m]).content # 方法一# file = open(f'./照片/{m+1}.jpg','wb')# file.write(pic)# file.close() # 方法二 with open(f'./照片/{m+1}.jpg','wb') as f: f.write(pic) f.close()
在这里,提醒大家一下一定要按照对图片用正确顺序进行命名,因为后面保存为 PDF 的时候,需要排序
在 py 文件的目录下,大家就可以看见保存下来的图片了
最后一步,将图片保存为 PDF
from PIL import Imageimport osfolderPath = "F:/TEST"filename = "test"files = os.listdir(folderPath)jpgFiles = []sources = []for file in files: if 'jpg' in file: jpgFiles.append(file)tep = []for i in jpgFiles: ex = i.split('.') tep.append(int(ex[0]))tep.sort()jpgFiles=[folderPath +'/'+ str(i) + '.jpg' for i in tep]output = Image.open(jpgFiles[0])jpgFiles.pop(0)for file in jpgFiles: img = Image.open(file) img = img.convert("P") sources.append(img)output.save(f"./{filename}.pdf","PDF",save_all=True,append_images=sources)
最终的结果就是生成了咱们的 PDF 文件
上述的操作看起来很多,很麻烦,其实并不是的,因为大部分的操作都是固定的,大家只需要记熟就可以了。
简单的 GUI 制作
GUI 这块,我们整了点新活儿,用 C# 编写 winform 简易的 GUI,调用爬虫的 Py thon 代码
C# 调用 python 项目的方式我简单用 Process 类执行,通过执行 python.exe 执行代码
public static void RunPythonScript(string sArgName, string py, string args = "", params string[] teps){ Process p = new Process(); //(没放debug下,写绝对路径) //string path = @"C:\Users\zll\Desktop\baidu\CSharpCallPython\bin\Debug\" + sArgName; // 获得python文件的绝对路径(将文件放在c#的debug文件夹中可以这样操作) string path = System.AppDomain.CurrentDomain.SetupInformation.ApplicationBase + sArgName; //没有配环境变量的话,可以像我这样写python.exe的绝对路径。如果配了,直接写"python.exe"即可 //p.StartInfo.FileName = @"C:\Users\zll\AppData\Local\Programs\Python\Python37-32\python.exe"; p.StartInfo.FileName = @py; string sArguments = path; foreach (string sigstr in teps) { sArguments += " " + sigstr;//传递参数 } sArguments += " " + args; p.StartInfo.Arguments = sArguments; p.StartInfo.UseShellExecute = false; p.StartInfo.RedirectStandardOutput = true; p.StartInfo.RedirectStandardInput = true; p.StartInfo.RedirectStandardError = true; p.StartInfo.CreateNoWindow = true; p.Start(); p.BeginOutputReadLine(); p.OutputDataReceived += new DataReceivedEventHandler(p_OutputDataReceived); Console.ReadLine(); p.WaitForExit();}
对输入 的内容进行简单判断,如果不是百度文库地址或不是 python.exe 地址,报错
if (!url.Contains("https://wenku.baidu.com/view/")){ MessageBox.Show("请输入正确的百度文库网址!"); lbl_state.Text = "请重新输入。";}else if (!py.Contains("python.exe")){ MessageBox.Show("请输入正确的python.exe路径!"); lbl_state.Text = "请重新输入。";}else{ //输入参数列表 String[] strArr = new String[] { url, istxt }; string sArguments = @"src\wenku.py";//这里是python的文件名字 RunPythonScript(sArguments, py, "-u", strArr); if(result.Contains("0")) lbl_state.Text = "对不起,爬取失败。"; else if (result.Contains("1")) lbl_state.Text = "爬取成功!";}
因为 GUI 部分比较简单,这里就不过多描述了。