python爬取百度搜索pdf文档(Python实现的爬取百度文库功能示例)
类别:脚本大全 浏览量:2684
时间:2022-03-28 16:52:17 python爬取百度搜索pdf文档
Python实现的爬取百度文库功能示例本文实例讲述了Python实现的爬取百度文库功能。分享给大家供大家参考,具体如下:
|
# -*- coding: utf-8 -*- from selenium import webdriver from bs4 import BeautifulSoup from docx import Document from docx.enum.text import WD_ALIGN_PARAGRAPH # 用来居中显示标题 from time import sleep from selenium.webdriver.common.keys import Keys # 浏览器安装路径 #BROWSER_PATH=\'C:\Users\Administrator\AppData\Local\Google\Chrome\Application\chromedriver.exe' #目的URL DEST_URL = 'https://wenku.baidu.com/view/aa31a84bcf84b9d528ea7a2c.html' #用来保存文档 doc_title = '' doc_content_list = [] def find_doc(driver, init = True ): global doc_content_list global doc_title stop_condition = False html = driver.page_source soup1 = BeautifulSoup(html, 'lxml' ) if (init is True ): # 得到标题 title_result = soup1.find( 'li' , attrs = { 'class' : 'doc-title' }) doc_title = title_result.get_text() # 得到文档标题 # 拖动滚动条 init_page = driver.find_element_by_xpath( "//li[@class='foldpagewg-text-con']" ) print ( type (init_page), init_page) driver.execute_script( 'arguments[0].scrollIntoView();' , init_page) init_page.click() init = False else : try : page = driver.find_element_by_xpath( "//li[@class='pagerwg-schedule']" ) #print(type(next_page), next_page) next_page = driver.find_element_by_class_name( "pagerwg-button" ) station = driver.find_element_by_xpath( "//li[@class='bottombarwg-root border-none']" ) driver.execute_script( 'arguments[0].scrollIntoView(false);' , station) #js.executeScript("arguments[0].click();",next_page); #sleep(5) '''js = "window.scrollTo(508,600)" driver.execute_script(js)''' next_page.click() except : #结束条件 print ( "找不到元素" ) stop_condition = True #next_page.send_keys(Keys.ENTER) # 遍历所有的txt标签标定的文档,将其空格删除,然后进行保存 content_result = soup1.find_all( 'p' , attrs = { 'class' : 'txt' }) for each in content_result: each_text = each.get_text() if ' ' in each_text: text = each_text.replace( ' ' , '') else : text = each_text # print(each_text) doc_content_list.append(text) # 得到正文内容 sleep( 2 ) # 防止页面加载过慢 if stop_condition is False : doc_title, doc_content_list = find_doc(driver, init) return doc_title, doc_content_list def save(doc_title, doc_content_list): document = Document() heading = document.add_heading(doc_title, 0 ) heading.alignment = WD_ALIGN_PARAGRAPH.CENTER # 居中显示 for each in doc_content_list: document.add_paragraph(each) # 处理字符编码问题 t_title = doc_title.split()[ 0 ] #print(t_title) #document.save('2.docx') document.save( '百度文库-%s.docx' % t_title) print ( "\n\nCompleted: %s.docx, to read." % t_title) driver.quit() if __name__ = = '__main__' : options = webdriver.ChromeOptions() options.add_argument( 'user-agent="Mozilla/5.0 (Linux; Android 4.0.4; \ Galaxy Nexus Build/IMM76B) AppleWebKit/535.19 (KHTML, like Gecko) \ Chrome/18.0.1025.133 Mobile Safari/535.19"' ) #driver = webdriver.Chrome(BROWSER_PATH, chrome_options=options) driver = webdriver.Chrome(chrome_options = options) driver.get(DEST_URL) #JavascriptExecutor js = (JavascriptExecutor) driver; print ( "**********START**********" ) title, content = find_doc(driver, True ) save(title, content) driver.quit() |
希望本文所述对大家Python程序设计有所帮助。
您可能感兴趣
- python读取文件的方法和区别(浅谈PYTHON 关于文件的操作)
- 如何学会python多线程(Python3多线程基础知识点)
- pythonnumpy求行列式的值(Python numpy中矩阵的基本用法汇总)
- python实现linux服务(Python实现Linux监控的方法)
- python制作彩色字符(Python3利用print输出带颜色的彩色字体示例代码)
- python面向对象实例教程(Python面向对象程序设计类的多态用法详解)
- python图书管理系统(python面向对象法实现图书管理系统)
- pythongui实战案例(Python GUI编程完整示例)
- python编写计算机病毒教程(Python告诉你木马程序的键盘记录原理)
- python中if判断数据类型(基于python if 判断选择结构的实例详解)
- docker镜像内安装python包(如何使用Docker搭建pypi私有仓库)
- python实时输出图像(Python给图像添加噪声具体操作)
- python读取文件怎么用(Python基础之文件读取的讲解)
- pythonindex函数用法(python sort、sort_index方法代码实例)
- 怎么对python中列表进行排序(Python列表常见操作详解获取,增加,删除,修改,排序等)
- python使用django搭建简单网页(Python后台开发Django的教程详解启动)
- 魅族智能手表充电座曝光 Type-C 接口,线座分离设计(魅族智能手表充电座曝光)
- 华为 Watch GT2 Pro 智能手表曝光,新增支持无线充电(华为WatchGT2)
- vivo首款智能手表来了 也有血氧饱和度监测,一次充电18天续航(vivo首款智能手表来了)
- 你知道 七夕 的真正含义吗(你知道七夕的真正含义吗)
- 七夕的寓意(七夕的寓意)
- 苏志燮赵恩静结婚,韩国四大公共财产变三人,这么快就有替补了(苏志燮赵恩静结婚)
热门推荐
- 用python怎么找工作(利用python如何在前程无忧高效投递简历)
- CentOS 7下安装配置proftpd搭建ftp服务器的详细教程(CentOS 7下安装配置proftpd搭建ftp服务器的详细教程)
- C#中Serializable序列化
- sqlserver表值函数用法(SQL Server数据库中的表名称、字段比较)
- python模块都是自己的语法(详解Python_shutil模块)
- 怎么删掉laravel(laravel-admin的图片删除实例)
- docker指定基础镜像命令(Docker重命名镜像名称和TAG操作)
- dede后台建栏目(DedeEIMS后台栏目模板含单独页模板修改方法)
- elasticsearch数据写入原理(Python对ElasticSearch获取数据及操作)
- idea项目中tomcat的配置(tomcat部署项目以及与IDEA集成的实现)
排行榜
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9