PDF文件批量下载爬虫

参考文章在这儿
Python3爬虫下载pdf(二)
https://segmentfault.com/a/1190000010823538

这个爬虫是下载智能车官网的技术报告的

# _*_ coding:utf-8_*_
# auther :nsy12
# date   :2018/2/25 
# time   :11:20

import requests
import re, os
from bs4 import BeautifulSoup
import time
import random

FILE_DIR = r'E:\1smart Car\paper'#文件存储地址
url_datas = [
    'https://.cn',
    'https://.cn',
    'https://.cn',
    'https://.cn',
    'https://.cn',
    'https://.cn',
    'https://.cn'
]

#显示下载的文档名称
def showPdf(pdf_name):
    print(pdf_name + '...')

#保存文档
def savePdf(url, pdf_name):
    response = requests.get(url, data=None, stream=True)
    if not os.path.exists(FILE_DIR):
        os.makedirs(FILE_DIR)
    with open(os.path.join(FILE_DIR, pdf_name), "wb") as pdf_file:
        for content in response.iter_content():
            pdf_file.write(content)


def downOne(url, pdf_name):
    # showPdf(url, pdf_name)
    savePdf(url, pdf_name)
    print(pdf_name + "has been downloaded!!")


def get_urls(url):
    print("Please wait for second ...")
    html = requests.get(url, data=None)
    # html.encoding = 'utf-8'  # 指定网页编码方式(查看网页源代码)
    # print(html.encoding)
    # print(html.status_code)
    # print(html.text)

    soup = BeautifulSoup(html.text, 'lxml')
    # all_a = soup.find('div', class_='cvideotitle').find_all('a')
    all_a = soup.find('div').find_all('a')
    for a in all_a:
        title = a.get_text()
        url_pdf = a['href']
        name = title[19:-18]
        print('------开始保存:', name)
        downOne(url_pdf, str(name))
        # time.sleep(random.randint(1, 2))

        """
        #将数据写入记事本
        # with open(r'D:jishubaogao\date.txt', 'a', encoding='gbk') as f:
            f.write(name + '\n')
        """


if __name__ == "__main__":

    for url_data in url_datas:
        get_urls(url_data)
        print("finsh"+url_data)

    print("finsh download")
 在这儿,
soup = BeautifulSoup(html.text, 'lxml')
all_a = soup.find('div').find_all('a')
for a in all_a:
    title = a.get_text()
    url_pdf = a['href']
#在这儿,用bs对div标签解析,得到所有a标签中的名称和链接,其中名称是这样的
\r\n              \t\t\t001大连海事大学 电航phi2017.docx\r\n              \t\t
于是对其切片处理,否则会报错
    name = title[19:-18]
    print('------开始保存:', name)
    downOne(url_pdf, str(name))
    # time.sleep(random.randint(1, 2))

    #将数据写入记事本
    with open(r'D:jishubaogao\date.txt', 'a', encoding='gbk') as f:
        f.write(name + '\n')


  • 1
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
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

打赏作者

sethnieTech

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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