selenium爬取360文库文档数据

import re
import img2pdf
from selenium import webdriver
import os
import time
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.chrome.options import Options
from lxml import etree
import requests


class File_360(object):
    def __init__(self):
        self.url = "https://wenku.so.com/d/6f252fb8971abfce4474d919106c4678?src=ob_zz_juhe360wenku"
        self.driver = webdriver.Chrome()
        self.driver.get(self.url)
        self.number = 1

    def get_image_url(self, name):
        text = self.driver.page_source
        html = etree.HTML(text)
        image_url_list = html.xpath('//*[@id="app"]/div[1]/div[2]/div[1]/div[1]/div[2]/div[2]//div')
        for image_url in image_url_list:
            try:
                url = image_url.xpath('./div[2]/img/@src')[0]
                title = str(self.number) + os.path.splitext(url)[-1]
                self.number += 1
            except:
                continue
            self.image_url_save(url, name, title)

    def image_url_save(self, url, name, title):
        with open(name + "/" + title, "wb") as file:
            resp = requests.get(url).content
            file.write(resp)
            print(f"{title}数据保存成功")

    def image_change(self, name):
        filepath = os.getcwd() + "/" + name
        files = os.listdir(filepath)
        print(files)
        # 排序,防止合并后文件页面乱序
        filedict = {int(i.split('.')[0]): i for i in files}
        print(filedict)
        files = [filedict[i] for i in sorted(filedict)]
        # 文件名+路径
        files = ['./' + name + '/' + i for i in files]
        print(files)
        # 把所有图片拼接为pdf
        with open(name + '/testpdf1.pdf', mode='wb') as f:
            f.write(img2pdf.convert(files))

    def main(self):
        name = input("请输入你需要存储文件的名字:")
        if not os.path.exists(name):
            os.makedirs(name)
        self.get_image_url(name)
        time.sleep(2)
        self.image_change(name)


if __name__ == '__main__':
    func = File_360()
    func.main()

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
Selenium是一个自动化测试工具,可以模拟用户对网页的操作,因此可以用来爬取百度文库的图片。在这个过程中,我们需要用到PythonSelenium库,以及ChromeDriver或者其他浏览器驱动来控制浏览器。 首先,我们需要打开百度文库的页面,并登录账号,如果不登录无法访问文库的图片。我们可以用Selenium模拟登录,输入账户名和密码,然后点击登录。在登录成功的情况下,我们就可以访问文库的内容。 接着,我们需要定位到文库页面中的所需要的图片。这一步可以通过XPath或CSS Selector等方式来实现。然后,我们可以用Selenium的find_element_by_xpath或者find_element_by_css_selector方法来定位图片,并获取图片的属性,比如图片的URL。通过获取URL,我们就可以将图片保存到本地或者上传到其他网站当中。 下面是一个比较简单的爬取百度文库图片的代码段: ```python from selenium import webdriver import urllib.request # 设置ChromeDriver路径 driver_path = 'C:\chromedriver_win32\chromedriver.exe' # 创建浏览器对象 browser = webdriver.Chrome(driver_path) # 打开百度文库登录界面 browser.get('https://wenku.baidu.com/') # 输入账户名和密码并点击登录 browser.find_element_by_id('loginUserName').send_keys('your_username') browser.find_element_by_id('loginPassword').send_keys('your_password') browser.find_element_by_link_text('登录').click() # 定位到图片 image = browser.find_element_by_xpath('//img[@class="doc-image"]') # 获取图片URL image_url = image.get_attribute('src') # 下载图片 urllib.request.urlretrieve(image_url, 'image.jpg') # 关闭浏览器 browser.quit() ``` 上面的代码中,我们首先设置了ChromeDriver的路径,然后打开浏览器并访问百度文库的登录页面。接着,输入账户名和密码,并点击登录按钮。在登录成功后,我们定位到文库页面中的图片,获取图片的URL并下载图片到本地。 总的来说,使用Selenium爬取百度文库图片比较简单,只需要模拟登录和定位图片等操作即可。不过需要注意的是,在爬取数据的过程中不要过于频繁,否则会被百度封禁。建议设置合理的时间间隔和获取数据数量,并且遵守网站的使用规定。

“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