10分鐘教你用Python爬取Baidu文庫全格式內(nèi)容

?作者 |?向柯瑋，周航
來源 |?程序猿聲

這個學(xué)期上了Python課，最后的結(jié)課方式是大作業(yè)的形式，這可把小編樂壞了。

考慮到現(xiàn)在大部分小伙伴使用Python主要因為爬蟲，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，我們小組選擇了爬取百度文庫作為我們的大作業(yè)。

現(xiàn)在將我們的大作業(yè)分享出來，希望能夠幫助到大家。

本文目錄包含以下內(nèi)容：

TXT,DOCX爬取與保存（文本格式）

PPT,PDF爬取與保存（圖片格式）

簡單的GUI制作

?通過本文你將收獲：

基本的爬蟲技能

DOCX,Image庫的使用

廢話不多說，我們開始。

TXT,DOCX爬取與保存

url?=?'https://wenku.baidu.com/view/4e29e5a730126edb6f1aff00bed5b9f3f90f72e7.html?rec_flag=default'
header?=?{'User-agent':?'Mozilla/5.0?(Windows?NT?10.0;?Win64;?x64)?AppleWebKit/537.36?(KHTML,?like?Gecko)?Chrome/81.0.4044.138?Safari/537.36'}
res?=?requests.get(url?,?headers?=?header)
res.text

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。

再深入了解以下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。（更詳細(xì)的Robot協(xié)議介紹以附件形式給出）

比如說百度文庫的Robot協(xié)議就是下面這樣的。

User-agent:?Baiduspider

Disallow:?/w?

Disallow:?/search?

Disallow:?/submit

Disallow:?/upload

Disallow:?/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。大致猜測這是因為百度搜索時需要根據(jù)文本內(nèi)容匹配搜索選項，所以放行。

因此我們嘗試偽裝User-agent為Baiduspider。

url?=?'https://wenku.baidu.com/view/4e29e5a730126edb6f1aff00bed5b9f3f90f72e7.html?rec_flag=default'
header?=?{'User-agent':?'Googlebot'}
res?=?requests.get(url?,?headers?=?header)
res.text

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。

file?=?open('test.txt',?'w',encoding='utf-8')
for?str?in?plist:
????file.write(str)
????file.write('\n')
file.close()

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。

url?=?'https://wenku.baidu.com/view/a4ac1b57dd88d0d232d46a0f.html?fr=search'
header?=?{'User-agent':?'Googlebot'}
res?=?requests.get(url?,?headers?=?header)
res.text

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，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，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。

在這里不多加介紹WebDriver，有興趣的小伙伴可以自己查一下，我們直接上手使用。

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)行不起來的。

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?requests
from?selenium?import?webdriver
url?=?'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。

from?lxml?import?etree
import?re
html=etree.HTML(driver.page_source)
links=html.xpath("http://div[@class='reader-pic-item']/@style")
part?=?re.compile(r'url[(](.*?)[)]')
qa="".join(links)
z=part.findall(qa)
z

我們可以知道，其實我們只爬到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)行頁面輸入實現(xiàn)換頁。先實現(xiàn)點(diǎn)擊的操作，代碼如下。

button?=?driver.find_element_by_xpath("http://*[@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現(xiàn)換頁，這個其實涉及的比較多，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。

import?re
#?尋找頁面
source?=?re.compile(r'/(.*?)')
number?=?int(source.findall(driver.page_source)[0])
#?輸入頁面并點(diǎn)擊
driver.find_element_by_class_name("page-input").clear()
driver.find_element_by_class_name("page-input").send_keys('2')
driver.find_element_by_class_name("page-input").send_keys(Keys.ENTER)

如果小伙伴成功實現(xiàn)了上面的操作，其實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。

因為爬取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，因為后面保存為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。

from?PIL?import?Image
import?os
folderPath?=?"F:/TEST"
filename?=?"test"
files?=?os.listdir(folderPath)
jpgFiles?=?[]
sources?=?[]
for?file?in?files:
????if?'jpg'?in?file:
????????jpgFiles.append(file)
tep?=?[]
for?i?in?jpgFiles:
????ex?=?i.split('.')
????tep.append(int(ex[0]))
tep.sort()
jpgFiles=[folderPath?+'/'+?str(i)?+?'.jpg'?for?i?in?tep]
output?=?Image.open(jpgFiles[0])
jpgFiles.pop(0)
for?file?in?jpgFiles:
???img?=?Image.open(file)
???img?=?img.convert("P")
???sources.append(img)
output.save(f"./{filename}.pdf","PDF",save_all=True,append_images=sources)

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，其實并不是的。因為大部分的操作都是固定的，大家只需要記熟就可以了。

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（也可以用Python的GUI），調(diào)用爬蟲的python代碼。

C#調(diào)用python項目的方式我簡單用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，報錯。

if?(!url.Contains("https://wenku.baidu.com/view/"))
{
????MessageBox.Show("請輸入正確的百度文庫網(wǎng)址！");
????lbl_state.Text?=?"請重新輸入。";
}
else?if?(!py.Contains("python.exe"))
{
????MessageBox.Show("請輸入正確的python.exe路徑！");
????lbl_state.Text?=?"請重新輸入。";
}
else
{
????//輸入?yún)?shù)列表
????String[]?strArr?=?new?String[]?{?url,?istxt?};
????string?sArguments?=?@"src\wenku.py";//這里是python的文件名字
????RunPythonScript(sArguments,?py,?"-u",?strArr);
????if(result.Contains("0"))
????????lbl_state.Text?=?"對不起，爬取失敗。";
????else?if?(result.Contains("1"))
????????lbl_state.Text?=?"爬取成功！";
}

因為GUI部分比較簡單，當(dāng)然也可以用Python GUI實現(xiàn)！

源碼鏈接: https://pan.baidu.com/s/1Gl7sfzrJZTvMvKhQJcBpHA 提取碼: e21q