快捷導(dǎo)航

python爬蟲(chóng)智能翻頁(yè)批量下載文件的實(shí)例詳解

更新時(shí)間：2021年02月02日 15:22:38 作者：宋宋大人

在本篇文章里小編給大家整理的是一篇關(guān)于python爬蟲(chóng)智能翻頁(yè)批量下載文件的實(shí)例詳解內(nèi)容，有興趣的朋友們可以學(xué)習(xí)下。

python爬蟲(chóng)遇到爬取文件內(nèi)容時(shí)，需要一頁(yè)頁(yè)的翻頁(yè)爬取，這樣很是麻煩，其實(shí)可以獲取每個(gè)列表信息下的文件名和文件鏈接，讓文件名和文件鏈接處理為列表，保存后下載，實(shí)現(xiàn)智能翻頁(yè)批量下載文件，本文以以京客隆為例，批量下載文件，如財(cái)務(wù)資料，他的每一份報(bào)告都是一份pdf格式的文檔。以此頁(yè)面為目標(biāo)，下載他每個(gè)分類(lèi)的文件python爬蟲(chóng)實(shí)戰(zhàn)之智能翻頁(yè)批量下載文件。

1、引入庫(kù)

import requests
import pandas as pd
from lxml import etree
import re
import os

2、解析初始頁(yè)面

baseUrl ='http://www.jkl.com.cn/cn/invest.aspx' # 爬取頁(yè)面的數(shù)據(jù)
heade ={
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) 
Chrome/81.0.4044.92 Safari/537.36'
}
res =requests.get(url=baseUrl,headers=heade).text  
# print(res.text)
html = etree.HTML(res)
res =requests.get(url=baseUrl,headers=heade).text  #  設(shè)置變量接受 基礎(chǔ)頁(yè)的響應(yīng)數(shù)據(jù)
# print(res.text)
html = etree.HTML(res)

3、獲得投資關(guān)系的分類(lèi)名稱(chēng)和url地址

data_name = html.xpath('//div[@class="infoLis"]//a/text()') # 投資者列表的名字
data_link = html.xpath('//div[@class="infoLis"]//@href')  # 全部列表的鏈接
name = [data_name.strip() for data_name in data_name]  # 通過(guò)for循環(huán)去掉空字符
link = ['http://www.jkl.com.cn/cn/'+ data_link for data_link in data_link] # 拼接字符串
# 合并為字典，方便保存文件
file = dict(zip(name,link))

4、每個(gè)列表信息，保存一個(gè)文件夾

for name,link in file.items():
  name=name.replace('/','.')
  name=name.replace('...','報(bào)表')
  # 上面的把文件名帶特許字符的 強(qiáng)制轉(zhuǎn)換為我們想要的文本類(lèi)型
  path = 'E:/'+ name
  if not os.path.exists(path):
    os.mkdir(path)
    #建立儲(chǔ)存位置

5、對(duì)列表的每個(gè)項(xiàng)目鏈接進(jìn)行解析，拿到尾頁(yè)

  res_list = requests.get(url = link, headers = heade).text
  list_html = etree.HTML(res_list)
  # print(html_erJi) 解析每個(gè)分類(lèi)的鏈接
  weiYe = list_html.xpath('//a[text()="尾頁(yè)"]/@href')
  # print(html_weiye)
  # 拿到尾頁(yè)信息
  if weiYe !=[]:
    # 正則提取尾頁(yè)信息
    get_weiYe =re.search("(\d+)'\)",html_weiye[0])
    get_yeMa = get_html_weiYe.group(1)
  else:
    get_yeMa=1
  # print(get_html_yeMa) 看看是不是提取成功

6、獲取每個(gè)列表信息下的文件名和文件鏈接

  for get_yeMa in range(1,int(get_yeMa)+1): # 翻頁(yè)
    yaMa= {
    '__EVENTTARGET': 'AspNetPager1',
    '__EVENTARGUMENT': get_yeMa
    }
    get_lei_html = requests.get(url = link, headers = heade, params = yaMa).text
    res3 =etree.HTML(get_lei_html)
    # print(res3)
    pdf_name = res3.xpath('//div[@class="newsLis"]//li/a/text()')
    # print(pdf_name)
    pdf_url = res3.xpath('//div[@class="newsLis"]//li//@href')

7、讓文件名和文件鏈接處理為列表，保存后下載

 pdf_names = [pdf_name.strip() for pdf_name in pdf_name]
 # print(pdf_names)
 if all(pdf_url):
      pdf_urls = ['http://www.jkl.com.cn'+pdf_url for pdf_url in pdf_url]
      # print(pdf_url)
      pdf_data=dict(zip(pdf_names,pdf_urls))  # pdf地址和名字整合為字典
      for pdfName,pdfUrl in pdf_data.items():
        pdfName =pdfName.replace('/','.')
        res_pdf= requests.get(url =pdfUrl,headers=heade).content
        houZui = pdfUrl.split('.')[-1]
        pdf_pash = path + '/' + pdfName + '.'+ houZui  # 
        # print(pdf_pash)
        with open(pdf_pash,'wb') as f:
          f.write(res_pdf)
          print(pdfName,'下載成功')

到此這篇關(guān)于python爬蟲(chóng)智能翻頁(yè)批量下載文件的實(shí)例詳解的文章就介紹到這了,更多相關(guān)python爬蟲(chóng)實(shí)戰(zhàn)之智能翻頁(yè)批量下載文件內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: