攻防世界FlatScience

最后的脚本环节

要求是:爬取网页下所有的pdf,从pdf的所有单词中找到符合条件的那个

注意点(对我而言):访问网页后,返回报文中的链接格式是

​href="2/index.html"与href="eccbc87e4b5ce2fe28308fd9f2a7baf3.pdf"

import re
import requests
import hashlib
import sys
import os
import PyPDF2

url0="http://61.147.171.105:54039"

def get_word(txt):
    word_match=r'([\w]+)'
    word_matchs=re.finditer(word_match,txt)
    for word in word_matchs:
        word=word.group(1)+"Salz!"
        hashed_word = hashlib.sha1(word.encode('utf-8')).hexdigest()
        if hashed_word == "3fab54a50e770d830c0416df817567662a9dc85c":
            print(word)
            sys.exit()
def get_pdf(txt,url):
    pdf_match=r'href="([0-9a-fA-F/]+.pdf)"'
    pdf_matches = re.finditer(pdf_match, txt)
    url_match = r'(http://61.147.171.105:54039/[0-9/]+)index.html'
    url_matchs= re.finditer(url_match,url)
    for url in url_matchs:
        for pdf in pdf_matches:
            pdf=url.group(1)+pdf.group(1)
            response = requests.get(pdf)
            filename = os.path.basename(pdf)
            with open(filename, 'wb') as f:
                f.write(response.content)
            with open(filename, 'rb') as pdf_file:
                pdf_reader = PyPDF2.PdfReader(pdf_file)
                for page_num in range(len(pdf_reader.pages)):
                    page = pdf_reader.pages[page_num]
                    text = page.extract_text()
                    get_word(text)

def get_url(url):
    url_match = r'href="([0-9/]+)index.html"'
    request = requests.get(url)
    new_url_matches = re.finditer(url_match, request.text)
    parent_url_match = r'http://61.147.171.105:54039/([0-9/]+)index.html'
    get_pdf(request.text,url)
    if url=="http://61.147.171.105:54039":   
        for new_url in new_url_matches:
                get_url("http://61.147.171.105:54039/"+new_url.group(1)+"index.html")
    else:    
        parent_url_matches = re.finditer(parent_url_match, url)
        for parent_url in parent_url_matches: 
            for new_url in new_url_matches:
                new_url=parent_url.group(1)+new_url.group(1)
                get_url("http://61.147.171.105:54039/"+new_url+"index.html")

get_url(url0)

第一次接触爬文件,写得基础但略繁琐,勿喷,望指正

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
东南亚位于我国倡导推进的“一带一路”海陆交汇地带,作为当今全球发展最为迅速的地区之一,近年来区域内生产总值实现了显著且稳定的增长。根据东盟主要经济体公布的最新数据,印度尼西亚2023年国内生产总值(GDP)增长5.05%;越南2023年经济增长5.05%;马来西亚2023年经济增速为3.7%;泰国2023年经济增长1.9%;新加坡2023年经济增长1.1%;柬埔寨2023年经济增速预计为5.6%。 东盟国家在“一带一路”沿线国家中的总体GDP经济规模、贸易总额与国外直接投资均为最大,因此有着举足轻重的地位和作用。当前,东盟与中国已互相成为双方最大的交易伙伴。中国-东盟贸易总额已从2013年的443亿元增长至 2023年合计超逾6.4万亿元,占中国外贸总值的15.4%。在过去20余年中,东盟国家不断在全球多变的格局里面临挑战并寻求机遇。2023东盟国家主要经济体受到国内消费、国外投资、货币政策、旅游业复苏、和大宗商品出口价企稳等方面的提振,经济显现出稳步增长态势和强韧性的潜能。 本调研报告旨在深度挖掘东南亚市场的增长潜力与发展机会,分析东南亚市场竞争态势、销售模式、客户偏好、整体市场营商环境,为国内企业出海开展业务提供客观参考意见。 本文核心内容: 市场空间:全球行业市场空间、东南亚市场发展空间。 竞争态势:全球份额,东南亚市场企业份额。 销售模式:东南亚市场销售模式、本地代理商 客户情况:东南亚本地客户及偏好分析 营商环境:东南亚营商环境分析 本文纳入的企业包括国外及印尼本土企业,以及相关上下游企业等,部分名单 QYResearch是全球知名的大型咨询公司,行业涵盖各高科技行业产业链细分市场,横跨如半导体产业链(半导体设备及零部件、半导体材料、集成电路、制造、封测、分立器件、传感器、光电器件)、光伏产业链(设备、硅料/硅片、电池片、组件、辅料支架、逆变器、电站终端)、新能源汽车产业链(动力电池及材料、电驱电控、汽车半导体/电子、整车、充电桩)、通信产业链(通信系统设备、终端设备、电子元器件、射频前端、光模块、4G/5G/6G、宽带、IoT、数字经济、AI)、先进材料产业链(金属材料、高分子材料、陶瓷材料、纳米材料等)、机械制造产业链(数控机床、工程机械、电气机械、3C自动化、工业机器人、激光、工控、无人机)、食品药品、医疗器械、农业等。邮箱:market@qyresearch.com

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值