標籤：

我用 Python 抓取了 7000 多本電子書

05-12

安裝

安裝很簡單，只要執行：

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：

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 一樣簡單，比如：

# 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 HTML
about.find(a) # 獲取 .about 下的所有 a 標籤

構建代碼

from requests_html import HTMLSession
import requests
import time
import json
import random
import sys

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: # 運行後發現有的個別頁面沒有下載鏈接，這裡加個判斷
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 位元組
dl += len(data)
f.write(data)
done = int(50 * dl / total_length)
sys.stdout.write("
[%s%s]" % (= * done, * (50-done)) ) # 列印進度條
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：

推薦閱讀：

TAG:Python |