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
- pythonflask系列教程(Python安装Flask环境及简单应用示例)
- python初学篇元组(元组列表字典莫烦python基础)
- python怎么取出列表(Python 利用切片从列表中取出一部分使用的方法)
- python获取日期(Python根据当前日期取去年同星期日期)
- python 并发传输文件(python单线程文件传输的实例C/S)
- python 迭代对象必须实现哪些方法(详解python之heapq模块及排序操作)
- pythonselenium接口自动测试(python3+selenium自动化测试框架详解)
- 如何对python中列表中的数据运算(Python3.5集合及其常见运算实例详解)
- python如何安装requests模块(Python常用模块之requests模块用法分析)
- pythonpickle使用方法(Python supervisor强大的进程管理工具的使用)
- python selenium用法详解(python selenium执行所有测试用例并生成报告的方法)
- python弹球游戏编写过程(python实现坦克大战游戏 附详细注释)
- python3和python2 兼容(Python2和Python3的共存和切换使用)
- 2021-10-23 10:04:24
- python语言的读取图像(详解python读取image)
- ubuntu python3.7安装(详解Ubuntu16.04安装Python3.7及其pip3并切换为默认版本)
- 王治郅菜鸟赛季已让八一带入正轨,大郅七大经典语录或是成功秘诀(王治郅菜鸟赛季已让八一带入正轨)
- 庆八一,重读经典红色语录,感悟互联网发展硬道理(重读经典红色语录)
- TVB新剧《黯夜守护者》将播,陈展鹏陈炜首次合作探讨人性(TVB新剧黯夜守护者将播)
- 新晋小花被称女版吴卓羲 将取代滕丽名成为TVB新一代御用女警(新晋小花被称女版吴卓羲)
- 艺人吴卓羲10年警察生涯,演足10年阿Sir,系咩玩法(艺人吴卓羲10年警察生涯)
- 菲律宾潜水(菲律宾潜水价格)
热门推荐
- php生成随机数讲解(PHP生成随机字符串实例代码字母+数字)
- react usestate实现原理(浅谈react useEffect闭包的坑)
- docker下怎么搭建一个php环境(Docker搭建php环境教程详解)
- python数据表教程(详解Python sys.argv使用方法)
- aspx文件中CodeFile与CodeBehind的区别
- SQL Server的恢复模式
- centos7系统密码忘了怎么办(CentOS 7忘记密码解决方案过程图解)
- python技巧图解(Python魔法方法功能与用法简介)
- mysql删除表数据的语句(Mysql实现定时清空一张表的旧数据并保留几条数据推荐)
- 使用谷歌浏览器模拟移动端打开网页
排行榜
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9