快捷導(dǎo)航

我用Python抓取了7000 多本電子書(shū)案例詳解

更新時(shí)間：2019年03月25日 14:21:37 作者：嗨學(xué)編程

這篇文章主要介紹了我用Python抓取了7000 多本電子書(shū)案例，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

安裝

安裝很簡(jiǎn)單，只要執(zhí)行：

pip install requests-html

就可以了。

分析頁(yè)面結(jié)構(gòu)

通過(guò)瀏覽器審查元素可以發(fā)現(xiàn)這個(gè)電子書(shū)網(wǎng)站是用 WordPress 搭建的，首頁(yè)列表元素很簡(jiǎn)單，很規(guī)整

所以我們可以查找 .entry-title > a 獲取所有圖書(shū)詳情頁(yè)的鏈接，接著我們進(jìn)入詳情頁(yè)，來(lái)尋找下載鏈接，由下圖

可以發(fā)現(xiàn) .download-links > a 里的鏈接就是該書(shū)的下載鏈接，回到列表頁(yè)可以發(fā)現(xiàn)該站一共 700 多頁(yè)，由此我們便可以循環(huán)列表獲取所有的下載鏈接。

Requests-html 快速指南

發(fā)送一個(gè) GET 請(qǐng)求：

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

Requests-html 的方便之處就是它解析 html 方式就像使用 jQuery 一樣簡(jiǎn)單，比如：

# 獲取頁(yè)面的所有鏈接可以這樣寫(xiě)：
r.html.links
# 會(huì)返回 {'//docs.python.org/3/tutorial/', '/about/apps/'}
 
# 獲取頁(yè)面的所有的絕對(duì)鏈接：
r.html.absolute_links
# 會(huì)返回 {'https://github.com/python/pythondotorg/issues', 'https://docs.python.org/3/tutorial/'}
 
# 通過(guò) CSS 選擇器選擇元素：
about = r.find('.about', first=True)
# 參數(shù) first 表示只獲取找到的第一元素
about.text # 獲取 .about 下的所有文本
about.attrs # 獲取 .about 下所有屬性像 id, src, href 等等
about.html # 獲取 .about 的 HTML
about.find('a') # 獲取 .about 下的所有 a 標(biāo)簽

構(gòu)建代碼

from requests_html import HTMLSession
import requests
import time
import json
import random
import sys
 
'''
想要學(xué)習(xí)Python？Python學(xué)習(xí)交流群：984632579滿足你的需求，資料都已經(jīng)上傳群文件，可以自行下載！
'''
 
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"
]
 
# 獲取當(dāng)前列表頁(yè)所有圖書(shū)鏈接
def get_list(url):
  response = session.get(url)
  all_link = response.html.find('.entry-title a') # 獲取頁(yè)面所有圖書(shū)詳情鏈接
  for link in all_link:
    getBookUrl(link.attrs['href'])
 
# 獲取圖書(shū)下載鏈接
def getBookUrl(url):
  response = session.get(url)
  l = response.html.find('.download-links a', first=True)
  if l is not None: # 運(yùn)行后發(fā)現(xiàn)有的個(gè)別頁(yè)面沒(méi)有下載鏈接，這里加個(gè)判斷
    link = l.attrs['href'];
    download(link)
 
#下載圖書(shū)
def download(url):
  # 隨機(jī)瀏覽器 User-Agent
  headers={ "User-Agent":random.choice(USER_AGENTS) }
  # 獲取文件名
  filename = url.split('/')[-1]
  # 如果 url 里包含 .pdf
  if ".pdf" in url:
    file = 'book/'+filename # 文件路徑寫(xiě)死了，運(yùn)行時(shí)當(dāng)前目錄必須有名 book 的文件夾
    with open(file, 'wb') as f:
      print("正在下載 %s" % filename)
      response = requests.get(url, stream=True, headers=headers)
      
      # 獲取文件大小
      total_length = response.headers.get('content-length')
      # 如果文件大小不存在，則直接寫(xiě)入返回的文本
      if total_length is None: 
        f.write(response.content)
      else:
        # 下載進(jìn)度條
        dl = 0
        total_length = int(total_length) # 文件大小
        for data in response.iter_content(chunk_size=4096): # 每次響應(yīng)獲取 4096 字節(jié)
          dl += len(data)
          f.write(data)
          done = int(50 * dl / total_length)
          sys.stdout.write("\r[%s%s]" % ('=' * done, ' ' * (50-done)) ) # 打印進(jìn)度條  
          sys.stdout.flush()
 
      print(filename + '下載完成！')
 
if __name__ == '__main__':
  #從這運(yùn)行，應(yīng)為知道列表總數(shù)，所以偷個(gè)懶直接開(kāi)始循環(huán)
  for x in range(1,756):
    print('當(dāng)前頁(yè)面: '+ str(x))
    get_list(list_url+str(x))

運(yùn)行效果：