python爬蟲教程｜智能翻頁批量下載文件

python爬蟲遇到爬取文件內(nèi)容時，需要一頁頁的翻頁爬取，這樣很是麻煩，其實(shí)可以獲取每個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)智能翻頁批量下載文件，本文以以京客隆為例，批量下載文件，如財務(wù)資料，他的每一份報告都是一份pdf格式的文檔。以此頁面為目標(biāo)，下載他每個分類的文件python爬蟲實(shí)戰(zhàn)之智能翻頁批量下載文件。

1、引入庫

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

2、解析初始頁面

baseUrl ='http://www.jkl.com.cn/cn/invest.aspx'  # 爬取頁面的數(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)系的分類名稱和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、每個列表信息，保存一個文件夾

for name,link in file.items():
    name=name.replace('/','.')
    name=name.replace('...','報表')
    # 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型
    path = 'E:/'+ name
    if not os.path.exists(path):
        os.mkdir(path)
        #建立儲存位置

5、對列表的每個項(xiàng)目鏈接進(jìn)行解析，拿到尾頁

    res_list = requests.get(url = link, headers = heade).text
    list_html = etree.HTML(res_list)
    # print(html_erJi) 解析每個分類的鏈接
    weiYe = list_html.xpath('//a[text()="尾頁"]/@href')
    # print(html_weiye)
    # 拿到尾頁信息
    if weiYe !=[]:
        # 正則提取尾頁信息
        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
        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')

以上就是python爬蟲智能翻頁批量下載文件的步驟，大家安裝上述代碼直接爬取就可以了。

搜索下方加老師微信
老師微信號：XTUOL1988【切記備注：學(xué)習(xí)Python】
領(lǐng)取Python web開發(fā)，Python爬蟲，Python數(shù)據(jù)分析，人工智能等精品學(xué)習(xí)課程。帶你從零基礎(chǔ)系統(tǒng)性的學(xué)好Python！
*聲明：本文于網(wǎng)絡(luò)整理，版權(quán)歸原作者所有，如來源信息有誤或侵犯權(quán)益，請聯(lián)系我們刪除或授權(quán)