我们先不急着马上开始爬取，我们先来尝试使用一下Selenium调用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)
怎么样，是不是浏览器自动打开了?现在我们尝试输出这个driver，就可以看见，网页的正确源代码已经在里面了。
现在我们仔细研究一下源代码就可以看到，我们需要的内容在下面这个位置。
现在正确的源代码也有了，内容的位置也知道了，直接解析，爬取，完事就好了。
想得美，经过这样的爬取之后，对内容进行解析，让我们看看究竟爬到没有。
from lxml import etree
import re
html=etree.HTML(driver.page_source)
links=html.xpath(“//div[@class=‘reader-pic-item’]/@style”)
part = re.compile(r’url([)]')
qa=“”.join(links)
z=part.findall(qa)
我们可以知道，其实我们只爬到3张PDF，其他的都没有爬到。这是为什么呢？
这是百度文库为了防止大家去爬，专门设置的一个小机关。
返回百度文库，我们仔细看看源代码，其实我们可以发现，随着页面的变化，源代码是不断改变的，每次都只有3张图片的url。并且这个页码数也有一定的规律，如果在第二页，那么图片就是1，2，3，如果在第三页，图片就是2，3，4。
那么我们的疑惑一下就解决了，只需要不断地进行换页的爬取，就可以了。接下来就是如何实现换页的操作了。
这个需要两个步骤，先是点击继续阅读，然后进行页面输入实现换页。先实现点击的操作，代码如下。
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)
整个操作是通过JS来进行的，大家可以把这个记住，以后需要点击的时候直接用就可以。
然后就是输入页面实现换页，这个其实涉及的比较多，细分的话，步骤分为获取总页数，依次输入页面并点击。
import re
寻找页面
source = re.compile(r’/(.*?)')
number = int(source.findall(driver.page_source)[0])
输入页面并点击
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)
如果小伙伴成功实现了上面的操作，其实大体的爬取工作已经差不多了，接下来就是保存我们的PPT和PDF了。
因为爬取PDF和PPT的时候，我们是爬取的图片的源地址，那么我们要获得这张图片并保存下来就必须对这个地址发起请求，然后将返回头以二进制保存下来。
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()
在这里，提醒大家一下一定要按照对图片用正确顺序进行命名，因为后面保存为PDF的时候，需要排序。
在py文件的目录下，大家就可以看见保存下来的图片了。最后一步，将图片保存为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)
最终的结果就是生成了咱们的PDF文件。
上述的操作看起来很多，很麻烦，其实并不是的。因为大部分的操作都是固定的，大家只需要记熟就可以了。
import requests
from selenium import webdriver
from lxml import etree
import re
from selenium.webdriver.common.keys import Keys
import time
from PIL import Image
import os
from bs4 import BeautifulSoup
import bs4
from docx import Document
import sys
def getHTMLText(url):
header = {‘User-agent’: ‘Googlebot’}
try:
r = requests.get(url, headers = header, timeout = 30)
r.raise_for_status()
r.encoding = ‘gbk’
r.encoding = r.apparent_encoding
return r.text
except:
return ‘’
def parse_type(content):
return re.findall(r"docType.?:.?‘(.*?)’,", content)[0]
def parse_txt(html):
plist = []
soup = BeautifulSoup(html, “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]
return plist
def print_docx(plist, filename):
file = open(filename + ‘.txt’, ‘w’,encoding=‘utf-8’)
for str in plist:
file.write(str)
file.write(‘\n’)
file.close()
with open(filename + ‘.txt’, encoding=‘utf-8’) as f:
docu = Document()
docu.add_paragraph(f.read())
docu.save(filename + ‘.docx’)
def parse_doc(url, folderPath):
driver = webdriver.Chrome(r’./src/chromedriver.exe’)
driver.get(url)
找到‘继续阅读’按钮 定位至还剩35页未读，继续阅读
button = driver.find_element_by_xpath(“//*[@id=‘html-reader-go-more’]/div[2]/div[1]/span”)
按下按钮
driver.execute_script(“arguments[0].click();”, button)
time.sleep(1)
source = re.compile(r’/(.*?)')
number = int(source.findall(driver.page_source)[0])
获取页码数
number = total[1]
time.sleep(1)
for i in range(2,number):
driver.find_element_by_class_name(“page-input”).clear()
driver.find_element_by_class_name(“page-input”).send_keys(f’{i}')
driver.find_element_by_class_name(“page-input”).send_keys(Keys.ENTER)
time.sleep(1)
html=etree.HTML(driver.page_source)
找到picture容器
links=html.xpath(“//div[@class=‘reader-pic-item’]/@style”)
找到图片对应的url
part = re.compile(r’url([)]')
qa=“”.join(links)
z=part.findall(qa)
if i == 2:
for m in range(3):
pic = requests.get(z[m]).content
with open(f’./照片/{m+1}.jpg’,‘wb’) as f:
f.write(pic)
f.close()
else:
pic = requests.get(z[2]).content
with open(f’./照片/{i+1}.jpg’,‘wb’) as f:
f.write(pic)
f.close()
time.sleep(1)
driver.quit()
def parse_other(url, folderPath):
driver = webdriver.Chrome(r’./src/chromedriver.exe’)
driver.get(url)
找到‘继续阅读’按钮 定位至还剩35页未读，继续阅读
button = driver.find_element_by_xpath(“//*[@id=‘html-reader-go-more’]/div[2]/div[1]/span”)
按下按钮
driver.execute_script(“arguments[0].click();”, button)
time.sleep(1)
source = re.compile(r’/(.*?)')
number = int(source.findall(driver.page_source)[0])
获取页码数
number = total[1]
time.sleep(1)
获取图片
for i in range(2,number):
driver.find_element_by_class_name(“page-input”).clear()
driver.find_element_by_class_name(“page-input”).send_keys(f’{i}')
driver.find_element_by_class_name(“page-input”).send_keys(Keys.ENTER)
time.sleep(1)
html=etree.HTML(driver.page_source)
找到picture容器"//div[@class=‘reader-pic-item’]/@style"
z=html.xpath(‘//div[@class=“ppt-image-wrap”]/img/@src’)
print(z)
保存图片
if i == 2:
for m in range(3):
pic = requests.get(z[m]).content
with open(folderPath + f’/{m + 1}.jpg’,‘wb’) as f:
f.write(pic)
f.close()
else:
pic = requests.get(z[i]).content
with open(folderPath + f’/{i + 1}.jpg’,‘wb’) as f:
f.write(pic)
f.close()
time.sleep(1)
driver.quit()
def print_pdf(folderPath, filename):
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)
def main(url, istxt):
try:
ticks = time.time() # 获取时间（用于命名文件夹）
filepath = ‘./照片’ + str(ticks) # 保存爬取的图片
filename = ‘./爬取结果’ + str(ticks) # 爬取生成的文件名
if not os.path.exists(filepath): # 新建文件夹
os.mkdir(filepath)
文末有福利领取哦~
👉一、Python所有方向的学习路线
Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
👉二、Python必备开发工具
👉三、Python视频合集
观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
👉 四、实战案例
光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（文末领读者福利）
👉五、Python练习题
检查学习结果。
👉六、面试资料
我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。
👉因篇幅有限，仅展示部分资料，这份完整版的Python全套学习资料已经上传
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
扫一扫
2349
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
