python爬蟲(chóng)遇到爬取文件內(nèi)容時(shí)，需要一頁(yè)頁(yè)的翻頁(yè)爬取，這樣很是麻煩，其實(shí)可以獲取每個(gè)列表信息下的文件名和文件鏈接，讓文件名和文件鏈接處理為列表，保存后下載，實(shí)現(xiàn)智能翻頁(yè)批量下載文件，本文以以京客隆為例，批量下載文件，如財(cái)務(wù)資料，他的每一份報(bào)告都是一份pdf格式的文檔。以此頁(yè)面為目標(biāo)，下載他每個(gè)分類的文件python爬蟲(chóng)實(shí)戰(zhàn)之智能翻頁(yè)批量下載文件。
1、引入庫(kù)
import requests
import pandas as pd
from lxml import etree
import re
import os
2、解析初始頁(yè)面
baseUrl ='http://www.jkl.com.cn/cn/invest.aspx' # 爬取頁(yè)面的數(shù)據(jù)
heade ={
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)
Chrome/81.0.4044.92 Safari/537.36'
}
res =requests.get(url=baseUrl,headers=heade).text
# print(res.text)
html = etree.HTML(res)
res =requests.get(url=baseUrl,headers=heade).text # 設(shè)置變量接受 基礎(chǔ)頁(yè)的響應(yīng)數(shù)據(jù)
# print(res.text)
html = etree.HTML(res)
3、獲得投資關(guān)系的分類名稱和url地址
data_name = html.xpath('//div[@class="infoLis"]//a/text()') # 投資者列表的名字
data_link = html.xpath('//div[@class="infoLis"]//@href') # 全部列表的鏈接
name = [data_name.strip() for data_name in data_name] # 通過(guò)for循環(huán)去掉空字符
link = ['http://www.jkl.com.cn/cn/'+ data_link for data_link in data_link] # 拼接字符串
# 合并為字典，方便保存文件
file = dict(zip(name,link))
4、每個(gè)列表信息，保存一個(gè)文件夾
for name,link in file.items():
name=name.replace('/','.')
name=name.replace('...','報(bào)表')
# 上面的把文件名帶特許字符的 強(qiáng)制轉(zhuǎn)換為我們想要的文本類型
path = 'E:/'+ name
if not os.path.exists(path):
os.mkdir(path)
#建立儲(chǔ)存位置
5、對(duì)列表的每個(gè)項(xiàng)目鏈接進(jìn)行解析，拿到尾頁(yè)
res_list = requests.get(url = link, headers = heade).text
list_html = etree.HTML(res_list)
# print(html_erJi) 解析每個(gè)分類的鏈接
weiYe = list_html.xpath('//a[text()="尾頁(yè)"]/@href')
# print(html_weiye)
# 拿到尾頁(yè)信息
if weiYe !=[]:
# 正則提取尾頁(yè)信息
get_weiYe =re.search("(\d+)'\)",html_weiye[0])
get_yeMa = get_html_weiYe.group(1)
else:
get_yeMa=1
# print(get_html_yeMa) 看看是不是提取成功
6、獲取每個(gè)列表信息下的文件名和文件鏈接
for get_yeMa in range(1,int(get_yeMa)+1): # 翻頁(yè)
yaMa= {
'__EVENTTARGET': 'AspNetPager1',
'__EVENTARGUMENT': get_yeMa
}
get_lei_html = requests.get(url = link, headers = heade, params = yaMa).text
res3 =etree.HTML(get_lei_html)
# print(res3)
pdf_name = res3.xpath('//div[@class="newsLis"]//li/a/text()')
# print(pdf_name)
pdf_url = res3.xpath('//div[@class="newsLis"]//li//@href')
7、讓文件名和文件鏈接處理為列表，保存后下載
pdf_names = [pdf_name.strip() for pdf_name in pdf_name]
# print(pdf_names)
if all(pdf_url):
pdf_urls = ['http://www.jkl.com.cn'+pdf_url for pdf_url in pdf_url]
# print(pdf_url)
pdf_data=dict(zip(pdf_names,pdf_urls)) # pdf地址和名字整合為字典
for pdfName,pdfUrl in pdf_data.items():
pdfName =pdfName.replace('/','.')
res_pdf= requests.get(url =pdfUrl,headers=heade).content
houZui = pdfUrl.split('.')[-1]
pdf_pash = path + '/' + pdfName + '.'+ houZui #
# print(pdf_pash)
with open(pdf_pash,'wb') as f:
f.write(res_pdf)
print(pdfName,'下載成功')
到此這篇關(guān)于python爬蟲(chóng)智能翻頁(yè)批量下載文件的實(shí)例詳解的文章就介紹到這了,更多相關(guān)python爬蟲(chóng)實(shí)戰(zhàn)之智能翻頁(yè)批量下載文件內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- Python 批量下載陰陽(yáng)師網(wǎng)站壁紙
- Python爬蟲(chóng)之批量下載喜馬拉雅音頻
- 用python批量下載apk
- 用python爬蟲(chóng)批量下載pdf的實(shí)現(xiàn)
- python 批量下載bilibili視頻的gui程序
- Python爬蟲(chóng)實(shí)戰(zhàn)之批量下載快手平臺(tái)視頻數(shù)據(jù)
