安裝
安裝很簡單，只要執行：
|
1
|
pip install requests-html |
就可以了。
分析頁面結構
通過瀏覽器審查元素可以發現這個電子書網站是用 wordpress 搭建的，首頁列表元素很簡單，很規整
所以我們可以查找 .entry-title > a 獲取所有圖書詳情頁的鏈接，接著我們進入詳情頁，來尋找下載鏈接，由下圖
可以發現 .download-links > a 里的鏈接就是該書的下載鏈接，回到列表頁可以發現該站一共 700 多頁，由此我們便可以循環列表獲取所有的下載鏈接。
requests-html 快速指南
發送一個 get 請求：
|
1
2
3
4
|
from requests_html import htmlsessionsession = 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 一樣簡單，比如：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
# 獲取頁面的所有鏈接可以這樣寫：r.html.links# 會返回 {'//docs.python.org/3/tutorial/', '/about/apps/'} # 獲取頁面的所有的絕對鏈接：r.html.absolute_links# 會返回 {'https://github.com/python/pythondotorg/issues', 'https://docs.python.org/3/tutorial/'} # 通過 css 選擇器選擇元素：about = r.find('.about', first=true)# 參數 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 htmlabout.find('a') # 獲取 .about 下的所有 a 標簽 |
構建代碼
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
|
from requests_html import htmlsessionimport requestsimport timeimport jsonimport randomimport sys '''想要學習python？python學習交流群：984632579滿足你的需求，資料都已經上傳群文件，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"] # 獲取當前列表頁所有圖書鏈接def get_list(url): response = session.get(url) all_link = response.html.find('.entry-title a') # 獲取頁面所有圖書詳情鏈接 for link in all_link: getbookurl(link.attrs['href']) # 獲取圖書下載鏈接def getbookurl(url): response = session.get(url) l = response.html.find('.download-links a', first=true) if l is not none: # 運行后發現有的個別頁面沒有下載鏈接，這里加個判斷 link = l.attrs['href']; download(link) #下載圖書def download(url): # 隨機瀏覽器 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 # 文件路徑寫死了，運行時當前目錄必須有名 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，則直接寫入返回的文本 if total_length is none: f.write(response.content) else: # 下載進度條 dl = 0 total_length = int(total_length) # 文件大小 for data in response.iter_content(chunk_size=4096): # 每次響應獲取 4096 字節 dl += len(data) f.write(data) done = int(50 * dl / total_length) sys.stdout.write("\r[%s%s]" % ('=' * done, ' ' * (50-done)) ) # 打印進度條 sys.stdout.flush() print(filename + '下載完成！') if __name__ == '__main__': #從這運行，應為知道列表總數，所以偷個懶直接開始循環 for x in range(1,756): print('當前頁面: '+ str(x)) get_list(list_url+str(x)) |
運行效果：
以上所述是小編給大家介紹的我用python抓取了7000 多本電子書案例詳解整合，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復大家的。在此也非常感謝大家對服務器之家網站的支持！
原文鏈接：https://blog.csdn.net/fei347795790/article/details/88541128
