python爬虫学习教程:智能翻页批量下载文件

共 3109字,需浏览 7分钟

 ·

2021-08-02 10:07

python爬虫遇到爬取文件内容时,需要一页页的翻页爬取,这样很是麻烦,其实可以获取每个列表信息下的文件名和文件链接,让文件名和文件链接处理为列表,保存后下载,实现智能翻页批量下载文件,本文以以京客隆为例,批量下载文件,如财务资料,他的每一份报告都是一份pdf格式的文档。以此页面为目标,下载他每个分类的文件python爬虫实战之智能翻页批量下载文件。

1、引入库

import requestsimport pandas as pdfrom lxml import etreeimport reimport os

2、解析初始页面

baseUrl ='http://www.jkl.com.cn/cn/invest.aspx'  # 爬取页面的数据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 # 设置变量接受 基础页的响应数据# print(res.text)html = etree.HTML(res)

3、获得投资关系的分类名称和url地址

data_name = html.xpath('//div[@class="infoLis"]//a/text()') # 投资者列表的名字data_link = html.xpath('//div[@class="infoLis"]//@href')    # 全部列表的链接name = [data_name.strip() for data_name in data_name]   # 通过for循环去掉空字符link = ['http://www.jkl.com.cn/cn/'+ data_link for data_link in data_link]  # 拼接字符串# 合并为字典,方便保存文件file = dict(zip(name,link))

4、每个列表信息,保存一个文件夹

for name,link in file.items():    name=name.replace('/','.')    name=name.replace('...','报表')    # 上面的把文件名带特许字符的 强制转换为我们想要的文本类型    path = 'E:/'+ name    if not os.path.exists(path):        os.mkdir(path)        #建立储存位置

5、对列表的每个项目链接进行解析,拿到尾页

    res_list = requests.get(url = link, headers = heade).text    list_html = etree.HTML(res_list)    # print(html_erJi) 解析每个分类的链接    weiYe = list_html.xpath('//a[text()="尾页"]/@href')    # print(html_weiye)    # 拿到尾页信息    if weiYe !=[]:        # 正则提取尾页信息        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、获取每个列表信息下的文件名和文件链接

    for get_yeMa in range(1,int(get_yeMa)+1): # 翻页        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、让文件名和文件链接处理为列表,保存后下载

  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地址和名字整合为字典            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,'下载成功')

以上就是python爬虫智能翻页批量下载文件的步骤,希望可以帮助到大家

*声明:本文于网络整理,版权归原作者所有,如来源信息有误或侵犯权益,请联系我们删除或授权

ps:零基础系统放爬虫教程可以关注我公众号

浏览 38
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报