用 Python 爬取网页 PDF 和文档
admin 阅读： 2024-03-25
| 后台-插件-广告管理-内容页头部广告（手机） |
目录
- 1 爬取网页 PDF
- 1.1 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
找到输入框对应的标签，根据 class name 进行内容清楚和输入（如果标签有 id 属性可以根据 id 进行输入框确定），代码如下
- 1
- 2
输入日期后需要回车才能刷新页面，使用 selenium 模拟键盘事件参考博客：selenium-模拟键盘事件(回车、删除、刷新等)
实现代码如下
- 1
- 2
- 3
1.2 下载 PDF 文件
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
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
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
- 1
- 2
- 3
- 4
- 5
- 6
- 7
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()
- 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
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
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
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
(.*?)
',re.S) for card in soup.find_all('div', class_="card mt-2"): # 提取标题 card_title = re.findall(findTitle, str(card))[0] print(card_title)- 1
- 2
- 3
- 4
- 5
- 6
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
- 1
- 2
- 3
- 4
- 5
- 6
- 7
（2）将 br 标签替换为换行符
例子如下
方法一：使用 get_text()
缺点：br 标签会变成一些空格，而不是换行
- 1
- 2
- 3
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
','\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)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
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')
- 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
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。
声明
1.本站遵循行业规范，任何转载的稿件都会明确标注作者和来源；2.本站的原创文章，请转载时务必注明文章作者和来源，不尊重原创的行为我们将追究责任；3.作者投稿可能会经我们编辑修改或补充。
在线投稿：投稿 站长QQ：1888636
| 后台-插件-广告管理-内容页尾部广告（手机） |
