1. 我用Python抓取了7000 多本电子书案例详解

     更新时间:2019年03月25日 14:21:37   作者:嗨学编程   我要评论

    这篇文章主要介绍了我用Python抓取了7000 多本电子书案例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧

    安装

    安装很简单,只要执行:

    pip install requests-html

    就可以了。

    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

    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?#24120;?#26469;寻找下载链接,由下图

    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?#24120;?#30001;此我们便可以循环列表获取所有的下载链接。

    Requests-html 快速指南

    发送一个 GET 请求:

    from requests_html import HTMLSession
    session = HTMLSession()
     
    r = session.get('https://python.org/')

    Requests-html 的方便之处就是它解析 html 方式就像使用 jQuery 一样简单,比如:

    # 获取页面的所有链接可以这样写:
    r.html.links
    # 会返回 {'//docs.python.org/3/tutorial/', '/about/apps/'}
     
    # 获取页面的所有的绝对链接:
    r.html.absolute_links
    # 会返回 {'https://github.com/python/pythondotorg/issues', 'https://docs.python.org/3/tutorial/'}
     
    # 通过 CSS 选择器选择元素:
    about = r.find('.about', first=True)
    # 参数 first 表示只获取找到的第一元素
    about.text # 获取 .about 下的所有文本
    about.attrs # 获取 .about 下所有属性像 id, src, href 等等
    about.html # 获取 .about 的 HTML
    about.find('a') # 获取 .about 下的所有 a 标签
    

    构建代码

    from requests_html import HTMLSession
    import requests
    import time
    import json
    import random
    import sys
     
    '''
    想要学习Python?Python学习交流群:984632579满足你的需求,资料?#23478;?#32463;上传群文件,可以自行下载!
    '''
     
    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"
    ]
     
    # 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?#27492;?#20102;,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?#26377;?#20837;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,应为知道列表总数,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:

    以上所述是小编给大家介绍的我用Python抓取了7000 多本电子书案例详解整合,希望对大家有所帮助,如果大家有任?#25105;?#38382;请给我留言,小编会及时回复大家的。在此也非常?#34892;?#22823;家对脚本之家网站的支持!

    相关文章

    • Python的gevent框架的入门教程

      Python的gevent框架的入门教程

      这篇文章主要介绍了Python的gevent框架的入门教程,示例代码基于Python2.x版本,需要的朋友可以参考下
      2015-04-04
    • python docx 中文字体设置的操作方法

      python docx 中文字体设置的操作方法

      今天小编就为大家分享一篇python docx 中文字体设置的操作方法,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
      2018-05-05
    • Python爬虫框架Scrapy安装使用步骤

      Python爬虫框架Scrapy安装使用步骤

      这篇文章主要介绍了Python爬虫框架Scrapy的安装和使用步骤,重点在解决?#35272;?#38382;题上,需要的朋友可以参考下
      2014-04-04
    • Django返回json数据用法示例

      Django返回json数据用法示例

      这篇文章主要介绍了Django返回json数据用法,结合实例形式分析了jQuery通过前端ajax发送get请求及后台使用Django接收GET请求并返回处理的json数据相关技巧,需要的朋友可以参考下
      2016-09-09
    • Python实现备份MySQL数据库的方法示例

      Python实现备份MySQL数据库的方法示例

      这篇文章主要介绍了Python实现备份MySQL数据库的方法,涉及Python针对mysql数据库的连接及基于mysqldump命令操作数据库备份的相关实现技巧,需要的朋友可以参考下
      2018-01-01
    • python使用Plotly绘图工具绘制气泡图

      python使用Plotly绘图工具绘制气泡图

      这篇文章主要为大家详细介绍了python使用Plotly绘图工具绘制气泡图,具有一定的参考价值,?#34892;?#36259;的小伙伴们可以参?#23478;?#19979;
      2019-04-04
    • pycharm 使用心得(九)解决No Python interpreter selected的问题

      pycharm 使用心得(九)解决No Python interpreter selected的问

      PyCharm 是由JetBrains打造的一款 Python IDE。具有智能代码编辑器,能理解 Python 的特性并提供卓越的生产力?#24179;?#24037;具:自动代码格式化、代码完成、重构、自动导入和一键代码导航?#21462;?#36825;些功能在先进代码分析程序的支持下,使 PyCharm 成为 Python 专业开发人员和刚起步人员使用的有力工具。
      2014-06-06
    • python学习教程之使用py2exe打包

      python学习教程之使用py2exe打包

      py2exe是一个将python脚本转换成windows上的可?#25042;?#25191;行的可执行程序(*.exe)的工具,下面这篇文章主要给大家介绍了关于python学习教程之使用py2exe打包的相关资料,需要的朋友可以参考借鉴,下面随着小编来一起学习学习吧。
      2017-09-09
    • 用python爬取租房网站信息的代码

      用python爬取租房网站信息的代码

      今天小编就为大家分享一篇关于用python爬取租房网站信息的代码,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧
      2018-12-12
    • python3.6下Numpy库下载与安装图文教程

      python3.6下Numpy库下载与安装图文教程

      这篇文章主要为大家详细介绍了python Numpy库下载与安装图文教程,具有一定的参考价值,?#34892;?#36259;的小伙伴们可以参?#23478;?#19979;
      2019-04-04

    最新评论

    山东群英会开奖查询
      1. 快乐扑克3走势 排列五走势图预测 澳门赌场网上搏彩 北京快乐8开奖结果 波叔一波中特图 重庆快乐十分玩法介绍 平码3中3不变网站 十一选五公式 体彩排列5走势图带连线坐标 浙江飞鱼玩法 2019年12月3日福利彩票开奖 七乐彩尾号分布图 360重庆时时彩官网 河南快三遗漏数据 澳客网官网