【原创】网页全站下载器4.0黑色版，利用爬虫获取所有js、css、img！

此程序是作者原创，转载请注明出处(csdn:pythoning183)!!!!!!!

版本号：WebFileSpider4.0

使用前，点个赞谢谢！

此下载器可以下载任意网页的源码和所有js、css、img文件,包括隐藏网页和js和css里隐藏的文件，实现了几乎不遗漏的模仿建站,模仿原路径创建文件夹功能

工具和需要的库：

python3.6

# -*-coding=utf-8-*-
import os
import re
import time
from urllib.parse import urljoin
from selenium import webdriver
import requests
from bs4 import BeautifulSoup
from url_decode import urldecode

代码正文

class GovSpider:


    def __init__(self):


        self.site_url = 'https://www.baidu.com/'


        self.spath = re.sub('.*//', '', self.site_url)


        sindex = self.spath.find('/')


        if sindex != -1:
            self.spath = self.spath[:sindex]


        self.base_path = '~/Desktop/gov_spider/' + self.spath
        print('base:', self.base_path)


    def start_page(self):


        req = webdriver.Chrome()
        req.get(self.site_url)
        time.sleep(3)
        html1 = req.page_source
        soup = BeautifulSoup(html1, 'lxml')
        iframes = soup.findAll('iframe')


        self.gs_runner(urldecode(html1))


        if iframes:
            print('有隐藏页面:', iframes)
            for ifr_url in iframes:


                if 'https:' not in ifr_url or 'http' not in ifr_url:
                    ifr_url = urljoin(self.site_url, ifr_url.get('src'))
                    print('进入隐藏页面：', ifr_url, '，并开启隐藏页面抓取img、css、js的程序........')
                try:
                    html2 = requests.get(ifr_url).text


                    self.gs_runner(urldecode(html2))
                except Exception as e:
                    print('隐藏页面的地址格式不正确,无法访问：', ifr_url)


        # 程序运行完毕，自动关闭浏览器
        req.quit()


    def download_imgs(self, html, css_link):


        # 多筛选 防止无格式或不在src下的图片漏下
        liResults = re.findall('(".*?")|(\(.*?\))', html)
        # print(liResults)


        if liResults:
            print('>>>>>>>>>>>>>>>>>>>>>>>>>正在下载img文件>>>>>>>>>>>>>>>>>>>>>>>>>')
            for liResult in liResults:
                for img_li in liResult:
                    if img_li and ('{' not in img_li and '</' not in img_li) \
                              and (re.findall('(\.jpg)|(jpg\?)|(\.ico)|(ico\?)|(\.png)|(png\?)|'
                                          '(\.svg)|(svg\?)|(\.gif)|(gif\?)|(\.webp)|(webp\?)|(data:image)',img_li)):




                        if re.findall('(\(.*?\))',img_li) and '\/' not in img_li:
                            img_urls=[re.sub('(.*\()|(\).*)|[";]|(&quot)', '', img_li).replace("'",'')]


                        else:
                            img_urls = [re.sub('[";]', '', img_li).replace('\/\/', '//').replace('\/', '//').replace("'",'')]


                        if not re.findall('(base.*?,)',img_urls[0]):
                                if ',' in img_urls[0]:
                                    print('检测到有多路径img_url，正在深入抓取......')
                                    img_urls = img_urls[0].split(',')


                                for img_url in img_urls:


                                    try:
                                        if 'http:' not in img_url or 'https:' not in img_url:
                                            img_url = urljoin(self.site_url, img_url)


                                        img_name = re.sub('(.*//)', '', img_url)


                                        f_index = img_name.find('/')


                                        l_index = img_name.rfind('/')
                                        dir_path = self.spath + img_name[f_index:l_index]


                                        if not os.path.exists(dir_path):
                                            os.system('mkdir -p %s' % dir_path)


                                        img_name = re.sub('(.*/)', '', img_url)
                                        print('正在下载img文件：', img_url)
                                        img = requests.get(img_url).content


                                        with open('./%s' % (dir_path + '/' + img_name), 'wb') as f:
                                            f.write(img)
                                    except Exception as e:
                                        print(img_url, e, '\r\nthis is uvaild url')


            if css_link:
                print('Enter_css---------开始进入css文件中发起深入抓取图片---------Enter_css')
                self.enter_css_img(css_link)


            print('===========================img文件下载完毕=============================')


    def enter_css_img(self, css_links):
        print('>>>>>>>>>>>>>>>>>>>>>>>>>正在下载css文件中的img>>>>>>>>>>>>>>>>>>>>>>>>>')


        for css_link in css_links:
            print('当前正深入的css_link是',css_link)
            css_text = requests.get(css_link).text
            # 多筛选 防止无格式或不在src下的图片漏下
            liResult = re.findall('(\(.*?\))', css_text)


            if liResult:


                for img_li in liResult:
                    if img_li and ('{' not in img_li and '</' not in img_li) \
                            and (re.findall('(\.jpg)|(jpg\?)|(\.ico)|(ico\?)|(\.png)|(png\?)|'
                                            '(\.svg)|(svg\?)|(\.gif)|(gif\?)|(\.webp)|(webp\?)|(data:image)', img_li)):


                        if '\/' not in img_li:
                            img_urls = [re.sub('[";)]|(.*\()|(&quot)', '', img_li).replace("'",'')]
                        else:
                            img_urls = [re.sub('[";)]|(.*\()|(&quot)', '', img_li).replace('\/\/', '//').replace('\/', '//').replace("'",'')]
                        if not re.findall('(base.*?,)',img_urls[0]):
                            if ',' in img_urls[0]:
                                print('检测到有css代码中有多路径img_url，正在深入抓取......')
                                img_urls = img_urls[0].split(',')
                            for img_url in img_urls:


                                try:
                                    if 'http:' not in img_url or 'https:' not in img_url:


                                        img_url = urljoin(self.site_url,img_url)


                                    img_name = re.sub('(.*//)', '', img_url)


                                    l_index = img_name.rfind('/')
                                    dir_path = self.spath+'/'+img_name[:l_index]


                                    if not os.path.exists(dir_path):


                                        os.system('mkdir -p %s'%dir_path)


                                    img_name = re.sub('(.*/)', '', img_url)
                                    print('正在下载img文件：',img_url)
                                    img = requests.get(img_url).content


                                    with open('./%s' % (dir_path + '/' + img_name), 'wb') as f:
                                        f.write(img)
                                except Exception as e:
                                    print(img_url,e,'\r\nthis is uvaild url')


    def download_js(self, html):


        liResult = re.findall('(".*?")', html)


        if liResult:
            print('>>>>>>>>>>>>>>>>>>>>>>>>>正在下载js文件>>>>>>>>>>>>>>>>>>>>>>>>>')
            for on_url in liResult:
                if (on_url.endswith('.js"') or 'js?' in on_url) and 'src=' not in on_url:


                    js_links = [re.sub('(")|(.*:)', '', on_url)]


                    if ',' in js_links[0]:
                        print('检测到js代码中有多路径js_link，正在深入抓取.......')
                        js_links += js_links[0].split(',')


                    for js_link in js_links:
                        if 'http:' not in js_link or 'https:' not in js_link:
                            js_link = urljoin(self.site_url, js_link)


                        js_name = re.sub('(.*//)', '', js_link)


                        l_index = js_name.rfind('/')
                        dir_path = self.spath + '/'+js_name[:l_index]




                        if '/$' in dir_path:
                            dir_path = re.sub('(/\$)', '/', dir_path)
                        if not os.path.exists(dir_path):
                            os.system('mkdir -p %s' % dir_path)


                        print('正在下载js文件：', js_link)
                        js_file = requests.get(js_link).content
                        js_name = re.sub('(.*/)', '', js_link)


                        if js_name[0] == '$':
                            js_name = js_name.replace('$', '')


                        with open('./%s' % dir_path + '/' + js_name, 'wb') as f:


                            f.write(js_file)


            print('===========================js文件下载完毕===========================')


    def download_css(self, html):


        liResult = re.findall('(".*?")', html)
        css_links = []
        if liResult:
            print('>>>>>>>>>>>>>>>>>>>>>>>>>正在下载css文件>>>>>>>>>>>>>>>>>>>>>>>>>')
            for on_url in liResult:


                if on_url.endswith('.css"') or 'css?' in on_url:


                    css_link = re.sub('["]', '', on_url)


                    if 'http:' not in css_link or 'https:' not in css_link:
                        css_link = urljoin(self.site_url, css_link)


                    if css_link:
                        css_name = re.sub('(.*//)', '', css_link)


                        l_index = css_name.rfind('/')
                        dir_path = self.spath + '/'+css_name[:l_index]


                        if '/$' in dir_path:
                            dir_path = re.sub('(/\$)', '/', dir_path)


                        if not os.path.exists(dir_path):
                            os.system('mkdir -p %s' % dir_path)


                        css_name = re.sub('(.*/)', '', css_link)
                        if css_name[0] == '$':
                            css_name = css_name.replace('$', '')
                        print('正在下载css文件：', css_link)
                        css_links.append(css_link)
                        css_file = requests.get(css_link).content


                        with open('./%s' % (dir_path + '/' + css_name), 'wb') as f:


                            f.write(css_file)


            print('===========================css文件下载完毕===========================')


        return css_links


    def download_html(self, html):
        print('>>>>>>>>>>>>>>>>>>>>>>>>>正在下载网页源码>>>>>>>>>>>>>>>>>>>>>>>>>')
        if not os.path.exists(self.spath + '/htmls'):
            print(self.base_path + '/htmls', '已经将html文件存在对应目录')
            os.system('mkdir -p %s' % self.spath + '/htmls')


        else:


            print(self.base_path + '/htmls', '已经存在此htmls目录')


        if html:
            with open('./%s' % (self.spath + '/htmls/' + self.spath + '.html'), 'w', encoding='utf-8') as f:
                f.write(html)


        print('===========================下载网页源码完毕===========================')


    def gs_runner(self, html):


        self.download_html(html)
        css_links = self.download_css(html)
        self.download_js(html)
        self.download_imgs(html, css_links)




if __name__ == '__main__':
    gs = GovSpider()
    gs.start_page()