爬取比比网中标标书，并保存为PDF格式文件

最新推荐文章于 2024-07-08 14:59:20 发布

松鼠爱吃饼干

最新推荐文章于 2024-07-08 14:59:20 发布

阅读量569

点赞数

分类专栏：爬虫文章标签： python 爬虫

原文链接：https://me.csdn.net/fei347795790?ops_request_misc=%7B%22request%5Fid%22%3A%22160464927919725225025766%22%2C%22scm%22%3A%2220140713.130064515..%22%7D&request_id=160464927919725225025766&biz_id=206&utm_medium=distribute.pc_search_result.none-task-user-null-

版权

爬虫专栏收录该内容

302 篇文章 128 订阅

订阅专栏

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

以下文章来源于CSDN，作者嗨学编程

python开发环境

python 3.6
pycharm

import requests
import parsel
import pdfkit
import time

目标网页分析

1、先从列表页中获取详情页的URL地址

是静态网站，可以直接请求网页获取数据

for page in range(1, 31):
    url = 'https://www.bibenet.com/mfzbu{}.html'.format(page)
    headers = {

        'Referer': 'https://www.bibenet.com/mianfei/',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
    }
    response = requests.get(url=url, headers=headers)
    selector = parsel.Selector(response.text)
    urls = selector.css('body > div.wrap > div.clearFiex > div.col9.fl > div.secondary_box > table tr .fl a::attr(href)').getall()
    for page_url in urls:
    print(page_url)

2、从详情页中获取标题以及内容

response_2 = requests.get(url=page_url, headers=headers)
selector_2 = parsel.Selector(response_2.text)
article = selector_2.css('.container').get()
title = selector_2.css('.detailtitle::text').get()

3、保存html网页数据并转成PDF

html_str = """
<!doctype html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Document</title>
</head>
<body>
{article}
</body>
</html>
"""
def download(article, title):
    html = html_str.format(article=article)
    html_path = 'D:\\python\\demo\\招标网\\文书\\' + title + '.html'
    pdf_path = 'D:\\python\\demo\\招标网\\文书\\' + title + '.pdf'
    with open(html_path, mode='wb', encoding='utf-8') as f:
        f.write(html)
        print('{}已下载完成'.format(title))
    # exe 文件存放的路径
    config = pdfkit.configuration(wkhtmltopdf='C:\\Program Files\\wkhtmltopdf\\bin\\wkhtmltopdf.exe')
    # 把 html 通过 pdfkit 变成 pdf 文件
    pdfkit.from_file(html_path, pdf_path, configuration=config)