python爬蟲智能翻頁批量下載文件的實例詳解
python爬蟲遇到爬取文件內容時,需要一頁頁的翻頁爬取,這樣很是麻煩,其實可以獲取每個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,保存後下載,實現智能翻頁批量下載文件,本文以以京客隆為例,批量下載文件,如財務資料,他的每一份報告都是一份pdf格式的文檔。以此頁面為目標,下載他每個分類的文件python爬蟲實戰之智能翻頁批量下載文件。
1、引入庫
import requests import pandas as pd from lxml import etree import re import os
2、解析初始頁面
baseUrl ='http://www.jkl.com.cn/cn/invest.aspx' # 爬取頁面的數據 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 # 設置變量接受 基礎頁的響應數據 # print(res.text) html = etree.HTML(res)
3、獲得投資關系的分類名稱和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for循環去掉空字符 link = ['http://www.jkl.com.cn/cn/'+ data_link for data_link in data_link] # 拼接字符串 # 合並為字典,方便保存文件 file = dict(zip(name,link))
4、每個列表信息,保存一個文件夾
for name,link in file.items(): name=name.replace('/','.') name=name.replace('...','報表') # 上面的把文件名帶特許字符的 強制轉換為我們想要的文本類型 path = 'E:/'+ name if not os.path.exists(path): os.mkdir(path) #建立儲存位置
5、對列表的每個項目鏈接進行解析,拿到尾頁
res_list = requests.get(url = link, headers = heade).text list_html = etree.HTML(res_list) # print(html_erJi) 解析每個分類的鏈接 weiYe = list_html.xpath('//a[text()="尾頁"]/@href') # print(html_weiye) # 拿到尾頁信息 if weiYe !=[]: # 正則提取尾頁信息 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 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,保存後下載
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')
到此這篇關於python爬蟲智能翻頁批量下載文件的實例詳解的文章就介紹到這瞭,更多相關python爬蟲實戰之智能翻頁批量下載文件內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- Python數據提取-lxml模塊
- 教你如何利用python3爬蟲爬取漫畫島-非人哉漫畫
- Python爬取某拍短視頻
- python爬取一組小姐姐圖片實例
- Python爬蟲獲取數據保存到數據庫中的超詳細教程(一看就會)