我用 Python 抓取了 7000 多本电子书

发布时间:2025-02-25 13:26

获取Python程序员的Python证书 #生活技巧# #学习技巧# #技能证书获取#

头两天神游网上,无意间发现个可以免费下载电子书的网站,一下子就勾起了我的收藏癖,心痒痒的要把这些书下载下来,正好前不久 requests 的作者 kennethreitz 出了一个新库 requests-html ,它不仅可以请求网页,还可以解析 HTML 文档,话不多说,咱开始吧。

安装

安装很简单,只要执行:

pip install requests-html

就可以了。

分析页面结构

通过浏览器审查元素可以发现这个电子书网站是用 WordPress 搭建的,首页列表元素很简单,很规整,

所以我们可以查找 .entry-title > a 获取所有图书详情页的链接,接着我们进入详情页,来寻找下载链接,由下图

可以发现 .download-links > a 里的链接就是该书的下载链接,回到列表页可以发现该站一共 700 多页,由此我们便可以循环列表获取所有的下载链接。

Requests-html 快速指南

发送一个 GET 请求:

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

Requests-html 的方便之处就是它解析 html 方式就像使用 jQuery 一样简单,比如:

r.html.links ​ r.html.absolute_links ​ about = r.find('.about', first=True) about.text about.attrs about.html about.find('a')

构建代码

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" ] ​ def get_list(url):    response = session.get(url)    all_link = response.html.find('.entry-title a')    for link in all_link:        getBookUrl(link.attrs['href']) ​ def getBookUrl(url):    response = session.get(url)    l = response.html.find('.download-links a', first=True)    if l is not None:        link = l.attrs['href'];        download(link) ​ def download(url):        headers={ "User-Agent":random.choice(USER_AGENTS) }        filename = url.split('/')[-1]        if ".pdf" in url:        file = 'book/'+filename        with open(file, 'wb') as f:            print("正在下载 %s" % filename)            response = requests.get(url, stream=True, headers=headers)                                    total_length = response.headers.get('content-length')                        if total_length is None:                f.write(response.content)            else:                                dl = 0                total_length = int(total_length)                for data in response.iter_content(chunk_size=4096):                    dl += len(data)                    f.write(data)                    done = int(50 * dl / total_length)                    sys.stdout.write("\r[%s%s]" % ('=' * done, ' ' * (50-done)) )                    sys.stdout.flush() ​            print(filename + '下载完成!') ​ if __name__ == '__main__':        for x in range(1,756):        print('当前页面: '+ str(x))        get_list(list_url+str(x))

运行效果:

公众号

我的公众号喔噢实验室,欢迎交流~

网址:我用 Python 抓取了 7000 多本电子书 https://www.yuejiaxmz.com/news/view/794068

相关内容

10 个超实用的 Python 脚本!
我们参观了多抓鱼「工厂」,见证一本二手书的循环生意
Python爬虫抓取基金数据分析、预测系统设计与实现——云诺说
5个实用的自动化Python脚本
占地7000平米、3天翻新一本书,神奇的二手书工厂来了解一下?丨钛媒体影像《在线》
使用Python自动下载电视节目
我为什么首选使用多抓鱼买书
我如何自动化我的生活:用于日常任务的实用 Python 脚本
五个方便好用的Python自动化脚本
【Python学习】10个Python脚本轻松实现日常任务自动化!

随便看看