python爬虫第一本书(我用Python抓取了7000 多本电子书案例详解)
类别:脚本大全 浏览量:1252
时间:2021-11-03 15:06:27 python爬虫第一本书
我用Python抓取了7000 多本电子书案例详解安装
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,接着我们进入详情页,来寻找下载链接,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 多页,由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,资料都已经上传群文件,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,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对开心学习网网站的支持!
原文链接:https://blog.csdn.net/fei347795790/article/details/88541128
您可能感兴趣
- pythonqt入门教程(使用python实现mqtt的发布和订阅)
- python实现简单加密(Python 隐藏输入密码时屏幕回显的实例)
- python将对象转换成json(python对象与json相互转换的方法)
- python人脸识别库(20行python代码实现人脸识别)
- python分析excel基础数据生成报表(Python实现定制自动化业务流量报表周报功能XlsxWriter模块)
- python plot绘图(python使用Plotly绘图工具绘制气泡图)
- python怎样读取txt文件的数据内容(Python实现读取txt文件中的数据并绘制出图形操作示例)
- docker下运行python3(使用Docker+jenkins+python3环境搭建超详细教程)
- python符串操作教程(Python3.5运算符操作实例详解)
- 学python可以应用到哪些方面(学习python可以干什么)
- pythonkeys怎么用(浅谈python的深浅拷贝以及fromkeys的用法)
- python与气象(使用Python和Prometheus跟踪天气的使用方法)
- python中的冒号怎么看(python 列表中[ ]中冒号‘:’的作用)
- python scrapy 框架原理(一步步教你用python的scrapy编写一个爬虫)
- python出现modify怎么办(解决Python找不到ssl模块问题 No module named _ssl的方法)
- python爬虫入门自学(自学python爬虫的建议和周期预算)
- 阴生植物为什么不怕照不到阳光(阴生植物为什么不怕照不到阳光)
- 阴生环境 耐阴地被植物,你知道哪些(阴生环境耐阴地被植物)
- 常见的喜阴植物有哪些 养室内盆栽就在这里选(常见的喜阴植物有哪些)
- 这8种耐阴植物,营造阴生植物花境,也是一个不错的选择(营造阴生植物花境)
- 览邦G08 Plus SMART WATCH 测评⑱ 全独立这才是智能手表该有的样子(览邦G08PlusSMART)
- 荣耀手表 GS 3 真机亮相 不支持无线充电(荣耀手表GS3)
热门推荐
- dedecms二级菜单(dedecms5.7使tag调用的标签正序排列的方法)
- php如何发邮件(PHP示例演示发送邮件给某个邮箱)
- 云服务器十大特征(云服务器有什么使用特点?)
- 云主机内存满了怎么办(为什么云主机不建议安装太多软件?)
- mysql简单查询基本语句(详解MySQL 查询语句的执行过程)
- sql server创建的表在哪(浅析SQL Server授予了CREATE TABLE权限但是无法创建表)
- 织梦各个模板对应的页面(织梦DEDECMS实现留言板调用模板头部及底部的方法)
- 排序算法口诀php(PHP快速排序算法实现的原理及代码详解)
- yii2支持的数据库(Yii框架日志操作图文与实例详解)
- js常见面试题
排行榜
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9