国产一级a片免费看高清,亚洲熟女中文字幕在线视频,黄三级高清在线播放,免费黄色视频在线看

考慮到現(xiàn)在大部分小伙伴使用 Python 主要因?yàn)榕老x，那么為了更好地幫助大家鞏固爬蟲知識，加深對爬蟲的理解，選擇了爬取百度文庫作為我們的目標(biāo)。

廢話不多說，我們開始。

TXT、DOCX 爬取與保存

這是小編準(zhǔn)備的python基礎(chǔ)學(xué)習(xí)資料,關(guān)注，轉(zhuǎn)發(fā)，私信小編“01”即可免費(fèi)領(lǐng)取！

在爬取任何東西之前，我們都要先確認(rèn)需要爬取的數(shù)據(jù)是不是異步加載的；如果是異步加載的直接爬取網(wǎng)頁是爬不到的。

要知道是不是異步加載其實(shí)很簡單，就用requests 對網(wǎng)頁發(fā)起請求，看看 response 是什么就可以了

很明顯，返回的東西，并不是我們所需要的內(nèi)容； 根據(jù)常理來說，我們就可以認(rèn)為該網(wǎng)頁是異步加載的。

但是，從常識來講，如果網(wǎng)頁的內(nèi)容是異步加載的，那么直接通過百度搜索，是搜索不到網(wǎng)頁內(nèi)部的內(nèi)容的，但是很顯然，我們每次通過百度搜索都是可以直接找到文庫中的文本內(nèi)容的。

如下:

那么這就有意思了，明明直接發(fā)起請求是獲取不到網(wǎng)頁內(nèi)容的，但是為什么通過百度搜索就可以找到呢？ 關(guān)鍵肯定在于百度搜索 上面。

這個時候通過查閱資料，我們了解到，最主要的問題出在我們的 headers

在爬取網(wǎng)頁時，headers 通常是作為身份證，讓網(wǎng)頁不看出我們是爬蟲；如果不加 headers，網(wǎng)頁直接就會看出我們是爬蟲，就會拒絕訪問

再深入了解一下 headers 的識別機(jī)理，我們發(fā)現(xiàn)了叫做 Robot 協(xié)議的東西。

它規(guī)定了什么樣的 headers 可以訪問網(wǎng)頁內(nèi)部內(nèi)容，除了指定 headers 之外的 headers，都是無法請求頁面內(nèi)容的。

比如說百度文庫的 Robot 協(xié)議就是下面這樣的：

User-agent: BaiduspiderDisallow: /w?Disallow: /search?Disallow: /submitDisallow: /uploadDisallow: /cashier/   

而我們需要爬取的內(nèi)容 url 格式為

https://wenku.baidu.com/view/?.html

這代表 Baiduspider 應(yīng)該可以爬取文庫內(nèi)容；大致猜測這是因?yàn)榘俣人阉鲿r需要根據(jù)文本內(nèi)容匹配搜索選項(xiàng)，所以放行。

因此我們嘗試偽裝 UA 為 Baiduspider

果然不出所料，我們成功地獲取到了目標(biāo)內(nèi)容

既然已經(jīng)成功獲取到了網(wǎng)頁的正確源代碼，那么下一步就是去解析網(wǎng)頁獲取內(nèi)容。

解析網(wǎng)頁源代碼的庫有很多，這里我們使用 BeautifulSoup

plist = []soup = BeautifulSoup(r, 'html.parser')plist.append(soup.title.string)for div in soup.find_all('div', attrs={'class': 'bd doc-reader'}):    plist.extend(div.get_text().split('\n'))plist = [c.replace(' ', '') for c in plist]plist = [c.replace('\x0c', '') for c in plist]plist

整個解析是非常容易的，都是很標(biāo)準(zhǔn)的操作。

在這里就不多加敘述了，最終的效果如下：

當(dāng)然爬取到東西了只是萬里長征的第一步，就這樣是肯定不行的，我們還需要將爬取的內(nèi)容保存起來，通常是保存為 txt 文件

但是為了美觀起見，我們在這里選擇使用 python-docx 庫將內(nèi)容保存為 docx 文件

with open('test.txt', encoding='utf-8') as f:    docu = Document()    docu.add_paragraph(f.read())    docu.save('test.docx')

PPT、PDF 爬取與保存

有了之前的經(jīng)驗(yàn)教訓(xùn)，在爬取的時候我們首先就嘗試了使用爬取 TXT、DOCX 的方法，嘗試是否可以爬到內(nèi)容

很可惜的是，我們并沒有訪問到

原因仔細(xì)想想也很簡單，在百度搜索的時候，直接搜索是搜不到 PPT 或者 PDF 的內(nèi)容的

那么很顯然，PPT 和 PDF 是通過異步的方法進(jìn)行內(nèi)容加載的

對待異步加載的數(shù)據(jù)，我們通常采取的策略有兩種

1、第一個就是直接找到發(fā)起異步請求的接口，自己構(gòu)造請求頭，發(fā)起請求

2、第二個就是通過 Selenium 這樣的自動化測試工具去爬取

百度文庫的接口太難找了，請求頭的構(gòu)造也很麻煩，找了很久也沒有很滿意。

所以在本次爬取中，我們使用的是第二種方法，使用 Selenium 這樣的自動化測試工具

這里我們需要下載 ChromeDriver 這個插件，當(dāng)然這里是默認(rèn)大家使用的是 Chrome 瀏覽器，如果是其他的瀏覽器，firefox，safari 等等，直接去網(wǎng)上找到相應(yīng) Driver 就可以了。

這里給出 ChromeDriver 的下載地址

http://npm.taobao.org/mirrors/chromedriver/

大家一定要下載和自己 Chrome 瀏覽器版本一致的 ChromeDriver，不然程序是運(yùn)行會報(bào)錯

我們先不急著馬上開始爬取，我們先來嘗試使用一下Selenium調(diào)用ChromeDriver

import requestsfrom selenium import webdriverurl = 'https://wenku.baidu.com/view/5292b2bc0166f5335a8102d276a20029bd64638c.html?fr=search'driver = webdriver.Chrome(r'F:\driver\chromedriver.exe')driver.get(url)

怎么樣，是不是瀏覽器自動打開了? 現(xiàn)在我們嘗試輸出這個 driver，就可以看見，網(wǎng)頁的正確源代碼已經(jīng)在里面了

現(xiàn)在我們仔細(xì)研究一下源代碼就可以看到，我們需要的內(nèi)容在下面這個位置

現(xiàn)在正確的源代碼也有了，內(nèi)容的位置也知道了，直接解析，爬取，完事就好了。

想得美，經(jīng)過這樣的爬取之后，對內(nèi)容進(jìn)行解析，讓我們看看究竟爬到?jīng)]有

我們可以知道，其實(shí)我們只爬到 3 張 PDF，其他的都沒有爬到。

這是為什么呢？

這是百度文庫為了防止大家去爬，專門設(shè)置的一個小機(jī)關(guān)

返回百度文庫，我們仔細(xì)看看源代碼，其實(shí)我們可以發(fā)現(xiàn)，隨著頁面的變化，源代碼是不斷改變的，每次都只有 3 張圖片的 url。

并且這個頁碼數(shù)也有一定的規(guī)律，如果在第二頁，那么圖片就是 1，2，3，如果在第三頁，圖片就是 2，3，4

那么我們的疑惑一下就解決了，只需要不斷地進(jìn)行換頁的爬取，就可以了

接下來就是如何實(shí)現(xiàn)換頁的操作了

這個需要兩個步驟，先是點(diǎn)擊繼續(xù)閱讀，然后進(jìn)行頁面輸入實(shí)現(xiàn)換頁。

先實(shí)現(xiàn)點(diǎn)擊的操作，代碼如下：

button = driver.find_element_by_xpath('//*[@id='html-reader-go-more']/div[2]/div[1]/span')button.click()driver.execute_script('arguments[0].click();', button)

整個操作是通過 JS 來進(jìn)行的，大家可以把這個記住，以后需要點(diǎn)擊的時候直接用就可以

然后就是輸入頁面實(shí)現(xiàn)換頁，這個其實(shí)涉及的比較多，細(xì)分的話，步驟分為獲取總頁數(shù)，依次輸入頁面并點(diǎn)擊。

如果小伙伴成功實(shí)現(xiàn)了上面的操作，其實(shí)大體的爬取工作已經(jīng)差不多了，接下來就是保存我們的 PPT 和 PDF了

因?yàn)榕廊?PDF 和 PPT 的時候，我們是爬取的圖片的源地址，那么我們要獲得這張圖片并保存下來就必須對這個地址發(fā)起請求，然后將返回頭以二進(jìn)制保存下來。

for m in range(3):    pic = requests.get(z[m]).content    # 方法一#     file = open(f'./照片/{m+1}.jpg','wb')#     file.write(pic)#     file.close()    # 方法二    with open(f'./照片/{m+1}.jpg','wb') as f:        f.write(pic)        f.close()

在這里，提醒大家一下一定要按照對圖片用正確順序進(jìn)行命名，因?yàn)楹竺姹４鏋?PDF 的時候，需要排序

在 py 文件的目錄下，大家就可以看見保存下來的圖片了

最后一步，將圖片保存為 PDF

最終的結(jié)果就是生成了咱們的 PDF 文件

上述的操作看起來很多，很麻煩，其實(shí)并不是的，因?yàn)榇蟛糠值牟僮鞫际枪潭ǖ?，大家只需要記熟就可以了?/p>

簡單的 GUI 制作

GUI 這塊，我們整了點(diǎn)新活兒，用 C# 編寫 winform 簡易的 GUI，調(diào)用爬蟲的 Py thon 代碼

C# 調(diào)用 python 項(xiàng)目的方式我簡單用 Process 類執(zhí)行，通過執(zhí)行 python.exe 執(zhí)行代碼

public static void RunPythonScript(string sArgName, string py, string args = '', params string[] teps){    Process p = new Process();    //(沒放debug下，寫絕對路徑)    //string path = @'C:\Users\zll\Desktop\baidu\CSharpCallPython\bin\Debug\' + sArgName;    // 獲得python文件的絕對路徑（將文件放在c#的debug文件夾中可以這樣操作）    string path = System.AppDomain.CurrentDomain.SetupInformation.ApplicationBase + sArgName;    //沒有配環(huán)境變量的話，可以像我這樣寫python.exe的絕對路徑。如果配了，直接寫'python.exe'即可    //p.StartInfo.FileName = @'C:\Users\zll\AppData\Local\Programs\Python\Python37-32\python.exe';    p.StartInfo.FileName = @py;    string sArguments = path;    foreach (string sigstr in teps)    {        sArguments += ' ' + sigstr;//傳遞參數(shù)    }    sArguments += ' ' + args;    p.StartInfo.Arguments = sArguments;    p.StartInfo.UseShellExecute = false;    p.StartInfo.RedirectStandardOutput = true;    p.StartInfo.RedirectStandardInput = true;    p.StartInfo.RedirectStandardError = true;    p.StartInfo.CreateNoWindow = true;    p.Start();    p.BeginOutputReadLine();    p.OutputDataReceived += new DataReceivedEventHandler(p_OutputDataReceived);    Console.ReadLine();    p.WaitForExit();}

對輸入 的內(nèi)容進(jìn)行簡單判斷，如果不是百度文庫地址或不是 python.exe 地址，報(bào)錯

因?yàn)?GUI 部分比較簡單，這里就不過多描述了。