python爬虫智能翻页批量下载文件的实例详解_Python

python爬虫智能翻页批量下载文件的实例详解

2021-09-01 00:17宋宋大人 Python

在本篇文章里小编给大家整理的是一篇关于python爬虫智能翻页批量下载文件的实例详解内容，有兴趣的朋友们可以学习下。

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 requests

									import pandas as pd

									from lxml import etree

									import re

									import 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')