Python新手爬虫三:爬取PPT模板
? 爬取网站:第一PPT(http://www.1ppt.com/) 此网站真的良心 老样子,先上最后成功的源码(在D盘创建一个"D:PPT"文件夹,直接将代码执行就可获取到PPT): import?requests ?urllib ?os from?bs4??BeautifulSoup from?fake_useragent??UserAgent def?getPPT(url): ???? f?=?requests.get(url,headers=headers)???#发送GET请求 ???? f.encoding?=?f.apparent_encoding???? 设置编码方式 ????soup1?=?BeautifulSoup(f.text,'lxml') #使用lxml解析器解析 ????classHtml?=?soup1.find(div',class_="col_nav?i_nav?clearfix").select(a')????在html中查找标签为div,class属性为 col_nav...的代码块并获取所有的 a 标签 ????for?i?in?classHtml[:56]: #只要前56个类别 ????????classUrl?=?i[href'].split(/')[2]?将ppt模板类别关键词存到classUrl,i['href']表示获取i中href属性的值,split('/')[2]表示以'/'为分隔符区第二个值 ???????? ????????if?not?os.path.isdir(rD:PPT'+i[title']):???判断有无此目录,两个,第一个转义了第二个 ????????????os.mkdir(r'])?若无,创建此目录。 ????????else: ????????????continue????若有此目录,直接退出循环,就认为此类别已经下载完毕了 ???????? ????????n?=?0 #定义一个变量用来统计模板的个数 ????????for?y?in?range(1,15):???假设每个类别都有14页ppt(页数这一块找了很久,没找到全部获取的方法,只能采取此措施) ????????????pagesUrl?=?url+i[']+/ppt_'+classUrl+_'+str(y)+.html' #获取每一页的URL ????????????a?=?requests.get(pagesUrl,headers=headers) ???????????? ????????????if?a.status_code?!=?404:????排除状态码为404的网页 ????????????????soup2?=?BeautifulSoup(a.text,1)">) ???????????????? ????????????????for?downppt?in?soup2.find(ultplist').select(li?>?a'):???#获取每一个模板下载界面的URL,find作用不再赘述,select('li > a')表示查看li标签下的a标签的内容 ????????????????????b?=?requests.get(url+downppt['],1)">headers) #获取最后的下载界面的html ????????????????????b.encoding?=?b.apparent_encoding 设置编码类型 ????????????????????soup3?=?BeautifulSoup(b.text,1)">) #因为到了一个新的界面,要重新获取当前界面html ????????????????????downList?=?soup3.find(downurllist获取下载PPT的URL ????????????????????pptName?=?soup3.select(h1')???#获取ppt模板名称 ??????????????????? print(Downloading......) ????????????????????try: ????????????????????????urllib.request.urlretrieve(downList[0]['+pptName[0].get_text()+.rar开始下载模板 ????????????????????????print(i[type?template?download?completed?the?'+str(n)+?few.'+pptName[0].get_text()) ????????????????????????n?+=?1 ????????????????????except: ????????????????????????type?download?failed?the?) ????????????????????????n?+=?1 if?__name__?==?__main__: ????headers?=?{user-agent':UserAgent().random}?定义请求头 ????getPPT(http://www.1ppt.com') 效果图: ? 逻辑其实挺简单的,代码也不算复杂。 代码基本都有注释,先一起捋一遍逻辑吧,逻辑搞清楚,代码不在话下。 ? 1、首先网站首页:F12—>选择某个类别(比如科技模板)右击—>检查—>查看右侧的html代码 ? 发现类别的URL保存在 <div class="col_nav" i_nav clearfix> 下的 <li> 标签里的 <a> 标签的 href 属性值中 于是想到用 BeautifulSoup 库的 find() 方法和 select() 方法 ? 2、进入类别界面 同样:F12—>选择某个PPT(例如第一个)右击—>检查—>查看右侧html代码 照葫芦画瓢,继续获取进入下载界面的URL,方法同上 但在此页面需要注意的是,下边有选页标签: 我暂时没有想到准确获取一共有多少页的方式,所以我在此代码中选择用range()函数来假设每个类别都有14页,然后再进行一步判断,看返回的http状态码是否为200。 ? 3、进入具体PPT的下载界面 与上操作相同,获取最终PPT的下载URL 我在此代码中选择用 urllib?库来进行下载,最终将相对应类别的PPT放置同一文件夹中。 文件夹操作我是调用 os 库,具体代码还是往上翻一翻吧。 ? 具体流程就这么几步了,剩下的就是循环 循环 再循环...... 循环语句写好,就大功告成了!一起努力。 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |