用 Python 爬取网页 PDF 和文档 |
您所在的位置:网站首页 › 怎么把网页以pdf保存 › 用 Python 爬取网页 PDF 和文档 |
目录
1 爬取网页 PDF1.1 在日历控件中输入时间1.2 下载 PDF 文件1.3 selenium 访问网站被反爬限制封锁1.4 完整代码
2 爬取网页文档2.1 遇到的问题2.2 完整代码
3 一些资源推荐
1 爬取网页 PDF
以 https://reader.jojokanbao.cn/rmrb 上 PDF 的下载为例 1.1 在日历控件中输入时间参考博客:selenium+Python(Js处理日历控件) 网页的日期框中可以直接输入日期
使用 selenium 下载 PDF 文件参考博客:python selenium 下载pdf文件 需要将简单的 browser = webdriver.Chrome() 替换为如下代码 # PDF 文件保存路径 down_load_dir = os.path.abspath(".") options = webdriver.ChromeOptions() options.add_experimental_option("excludeSwitches", ['enable-automation']) prefs = { "download.default_directory": down_load_dir, "download.prompt_for_download": False, "download.directory_upgrade": True, "plugins.always_open_pdf_externally": True } options.add_experimental_option('prefs', prefs) options.add_argument("--disable-blink-features=AutomationControlled") browser = webdriver.Chrome(options=options) 1.3 selenium 访问网站被反爬限制封锁参考博客:python之selenium访问网站被反爬限制封锁解决方法 添加如下代码 browser.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", { "source": """ Object.defineProperty(navigator, 'webdriver', { get: () => undefined }) """ }) 1.4 完整代码 from selenium import webdriver from selenium.webdriver.common.keys import Keys import time from bs4 import BeautifulSoup import os url = 'https://reader.jojokanbao.cn/rmrb' down_load_dir = os.path.abspath(".") options = webdriver.ChromeOptions() options.add_experimental_option("excludeSwitches", ['enable-automation']) prefs = { "download.default_directory": down_load_dir, "download.prompt_for_download": False, "download.directory_upgrade": True, "plugins.always_open_pdf_externally": True } options.add_experimental_option('prefs', prefs) options.add_argument("--disable-blink-features=AutomationControlled") browser = webdriver.Chrome(options=options) browser.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", { "source": """ Object.defineProperty(navigator, 'webdriver', { get: () => undefined }) """ }) browser.get(url) browser.find_element_by_class_name('el-input__inner').clear() browser.find_element_by_class_name('el-input__inner').send_keys('1976-10-09') # 输入完成后,敲击键盘上的回车键 browser.find_element_by_class_name('el-input__inner').send_keys(Keys.ENTER) time.sleep(5) data = browser.page_source # print(data) # 获取文档的下载链接 soup = BeautifulSoup(data) body = soup.find('div', attrs={'class': 'el-col el-col-24 el-col-xs-24 el-col-sm-12 el-col-md-12 el-col-lg-12 el-col-xl-12'}) link = body.find_all("a")[0].get("href") print(link) # 有了开始对 options 的设置,这一步可以直接下载 PDF 文档 browser.get(link) time.sleep(5) browser.close() 2 爬取网页文档以 https://www.laoziliao.net/rmrb/ 上的文档下载为例 2.1 遇到的问题整体实现思路和爬取小说(https://blog.csdn.net/mycsdn5698/article/details/133465660)的一样,实现过程中遇到了一些问题: (1)BeautifulSoup 怎样获取标签间文本内容 获取标签的某个属性,例如 a 标签的 href 属性,代码如下 data = requests.get(url = url, headers = headers) data.encoding = 'UTF-8' soup = BeautifulSoup(data.text, 'html.parser') body = soup.find('div', attrs={'id': 'month_box'}) for item in body.find_all('a'): link = item.get("href") print(link)获取标签间的文本内容 如果标签属性较少,则可以使用正则提取,例子及其代码如下 如果标签属性较多,则可以参考博客:beautifulsoup怎样获取标签间文本内容,例子及其代码如下 (2)将 br 标签替换为换行符 例子如下 方法二:参考博客 https://blog.csdn.net/u012587107/article/details/80543977 缺点:str(news_context) 的使用导致 div 标签出现,且 变成了 for news_context in context.find_all('div', class_="card-body lh-lg"): tmp_context = (str(news_context).replace('','\n')).replace('','\n') # str(news_context) 的使用导致 和 也出现了 tmp_context = (tmp_context.replace('','')).replace('','') # 新闻标题的第一行前是俩Tab,将其替换为四个空格 tmp_context = tmp_context.replace(' ',' ') print(tmp_context) 2.2 完整代码注意:ANSI 编码的文本在 kindle 打开会有部分乱码,UTF-8 编码的不会 import requests import re import time from bs4 import BeautifulSoup headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/116.0.0.0 Safari/537.36'} findTitle = re.compile(r'(.*?)',re.S) url = "https://www.laoziliao.net/rmrb/1946-06" # 获取该月内所有日报的链接 data = requests.get(url = url, headers = headers) data.encoding = 'UTF-8' soup = BeautifulSoup(data.text, 'html.parser') body = soup.find('div', attrs={'id': 'month_box'}) for item in body.find_all('a'): link = item.get("href") # print(link) # 根据 link 创建每天报纸的 TXT # 提取最后一个斜杠后面的字符 last_slash_index = link.rfind("/") if last_slash_index != -1: TXT_name = link[last_slash_index + 1:] TXT_name = TXT_name.replace("-", "") print(TXT_name) # ansi 编码用 kindle 打开有乱码 with open("./TXTs/"+TXT_name+".txt", "w", encoding='utf-8') as f: # 访问每天的报纸 data = requests.get(url = link, headers = headers) data.encoding = 'UTF-8' soup = BeautifulSoup(data.text, 'html.parser') # 每一版的内容都放在 class="card mt-2" 的 div 中 for card in soup.find_all('div', class_="card mt-2"): # 提取标题 card_title = re.findall(findTitle, str(card))[0] f.write(card_title + '\n') # print(card_title) # 提取新闻链接 news = card.find_all('a') news_link = news[0].get('href') if "#" in news_link: index = news_link.index("#") news_link = news_link[:index] print(news_link) time.sleep(1) # 访问当天的每一版新闻,每一条新闻都放在 class="card mt-2" 的 div 中 data = requests.get(url = news_link, headers = headers) data.encoding = 'UTF-8' soup = BeautifulSoup(data.text, 'html.parser') for context in soup.find_all('div', class_="card mt-2"): # # 提取标题 # news_title = context.find('h2').string # print(news_title) # 提取新闻内容,存放在 class="card-body lh-lg" 的 div 中 for news_context in context.find_all('div', class_="card-body lh-lg"): # 把换成换行符 tmp_context = (str(news_context).replace('','\n')).replace('','\n') # str(news_context) 的使用导致 和 也出现了 tmp_context = (tmp_context.replace('','')).replace('','') # 新闻标题的第一行前是俩Tab,将其替换为四个空格 tmp_context = tmp_context.replace(' ',' ') f.write(tmp_context + '\n') # print(tmp_context) f.write('\n\n') 3 一些资源推荐除了上述两个作为例子的网站,还有 时光印记经典珍藏系列,可以免费查看部分资料,全部资料的话是收费的。 |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |