百度文库,文字类型的资源(如txt, doc, pdf),是可以在前端源码分析获取到的,如果能按照规则合理的提取这些文字资源,就可以实现免下载券获取资源.

作者完成了百度文库的在线版爬虫,只需提供文库资源页面的url,就可以获取对应的文库资源(免下载券)

在线测试地址:

http://zhaozhaoli.vicp.io/spider/bdwk

效果展示

初始界面.png

摄影课感想_百度文库_and_方圆小站.png

获取资源.png

展示文本.png

关于ppt的爬取,作者也写出来了,但是我的个人服务器带宽太小,导致前端等待时间过长,就把它注释了...有兴趣的可以看以前写过的这篇文章百度文库下载器,文章底部提供了编译好的可执行文件(支持ppt,txt,pdf,word格式的下载),可以下载到本地玩一玩...

核心源码:

import os

import re

import json

import requests

from lxml import etree

import sys

from fangyuanxiaozhan.settings import BASE_DIR

# import tkinter

# 创建文库基类

class BaiduWK(object):

def __init__(self, url):

self.title = None

self.url = url

self.docType = None

self.headers = {

'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36'}

self.get_response_content(self.url)

self.get_doc_type_and_title()

def get_response_content(self, url):

try:

response = requests.get(url, headers=self.headers)

return response.content

except Exception as e:

print(e)

pass

def get_doc_type_and_title(self):

# 获取源码

source_html = self.get_response_content(self.url)

# 解析源码

content = source_html.decode('gbk')

# 获取文档类型

self.docType = re.findall(r"docType.*?\:.*?\'(.*?)\'\,", content)[0]

# 获取文档标题

self.title = re.findall(r"title.*?\:.*?\'(.*?)\'\,", content)[0]

# 创建获取txt的类

class BDWKTXT(BaiduWK):

def __init__(self, url):

super().__init__(url)

self.docId = None

pass

def get_txt(self, url):

# 获取源码

source_html = self.get_response_content(url)

content = source_html.decode("gbk")

# 获取docId

self.docId = re.findall(r"docId.*?(\w{24}?)\'\,", content)[0]

# 拼接请求url

token_url = "https://wenku.baidu.com/api/doc/getdocinfo?callback=cb&doc_id=" + self.docId

# 再次请求

first_json = self.get_response_content(token_url).decode()

str_first_json = re.match(r'.*?\((\{.*?\})\).*', first_json).group(1)

# print(str_first_json)

the_first_json = json.loads(str_first_json)

md5sum = the_first_json["md5sum"]

rn = the_first_json["docInfo"]["totalPageNum"]

rsign = the_first_json["rsign"]

# print(md5sum,"-->",rn)

# 请求目标url

target_url = "https://wkretype.bdimg.com/retype/text/" + self.docId + "?" + md5sum + "&callback=cb" + "&pn=1&rn=" + rn + "&type=txt" + "&rsign=" + rsign

# https://wkretype.bdimg.com/retype/text/de53bafaf705cc1755270982?md5sum=b89f055e765e6f73db57525bcfc3c2d2&sign=7b385f9cf7&callback=cb&pn=1&rn=12&type=txt

sec_json = self.get_response_content(target_url).decode()

# print(type(sec_json),"-->")

str_sec_json = re.match(r'.*?\(\[(.*)\]\)$', sec_json).group(1)

str_sec_json += ","

str_json_list = str_sec_json.split('},')

result_txt = ""

# 截取尾部空格

str_json_list = str_json_list[:-1]

for str_json in str_json_list:

str_json += "}"

pure_dic = json.loads(str_json)

pure_txt = pure_dic["parags"][0]["c"].strip()

result_txt += pure_txt

# 创建文件目录

try:

# path = "." + os.sep + self.docType

path = BASE_DIR + "/static/spider_file/bdwk" + os.sep + self.docType

print(type(path),"path-->",path)

os.makedirs(path)

except Exception as e:

# print("文件夹%s已存在"%(path))

pass

# 创建文件,保存信息

try:

print(os.path)

file_name = BASE_DIR+"/static/spider_file/bdwk" + os.sep + self.docType + os.sep + self.title + ".txt"

with open(file_name, 'w', encoding='utf-8') as f:

f.write(result_txt)

print("已经保存为:", self.title + '.txt')

except Exception as e:

# print(e)

pass

# 创建获取word的类

class BDWKDOC(BaiduWK):

def __init__(self, url):

super().__init__(url)

# 保存数据来源url

self.pure_addr_list = list()

# 获取数据来源url

def get_pure_addr_list(self):

# 获取页面源码

source_html = self.get_response_content(self.url).decode('gbk')

# 从源码中批量提取数据url

all_addr = re.findall(r'wkbos\.bdimg\.com.*?json.*?expire.*?\}', source_html)

pure_addr_list = list()

# 获取文档标题

self.title = etree.HTML(source_html).xpath("//title/text()")[0].strip()

# 净化数据来源url列表

for addr in all_addr:

addr = "https://" + addr.replace("\\\\\\/", "/")

addr = addr[:-5]

pure_addr_list.append(addr)

# 将处理好的url列表保存为全局属性

self.pure_addr_list = pure_addr_list

return pure_addr_list

# 从数据来源的url列表中提取数据

def get_json_content(self, url_list):

content = ''

result = ''

sum = len(url_list)

i = 1

for pure_addr in url_list:

print("正在下载第%d条数据, 剩余%d条" % (i, sum - i))

i += 1

try:

# 获取json数据

content = self.get_response_content(pure_addr).decode()

# 处理json数据

content = re.match(r'.*?\((.*)\)$', content).group(1)

# 将json数据中需要的内容提取出来

all_body_info = json.loads(content)["body"]

# 遍历获取所有信息,并将信息拼接到一起

for body_info in all_body_info:

try:

result = result + body_info["c"].strip()

# print(">>",result)

except Exception as e:

print(e)

pass

except Exception as e:

print(e)

pass

# 创建文件目录

try:

path = BASE_DIR+"/static/spider_file/bdwk" + os.sep + self.docType

# print(type(path),"path-->",path)

os.makedirs(path)

except Exception as e:

# print("文件夹%s已存在"%(path))

pass

# 创建文件,保存信息

try:

file_name = BASE_DIR+"/static/spider_file/bdwk" + os.sep + self.docType + os.sep + self.title + ".txt"

with open(file_name, 'w', encoding='utf-8') as f:

f.write(result)

print("已经保存为:", self.title + '.txt')

except Exception as e:

print(e)

# 创建获取ppt的类

class BDWKPPT(BaiduWK):

def __init__(self, url):

self.all_img_url = list()

super().__init__(url)

# 获取json数据保存文件

def get_ppt_json_info(self):

# 获取源文件

ppt_source_html = self.get_response_content(self.url)

# 解析源文件

content = ppt_source_html.decode('gbk')

# 测试

with open("test.html", "w") as f:

f.write(content)

# 获取文档Id

self.docId = re.findall(r"docId.*?(\w{24}?)\'\,", content)[0]

# 拼接请求json的接口

source_json_url = 'https://wenku.baidu.com/browse/getbcsurl?doc_id=%s&type=ppt&callback=zhaozhao' % self.docId

# 获取字符串类型的json数据

str_source_json = self.get_response_content(source_json_url).decode()

# 处理字符串类型的json数据,使其成为标准格式

pure_str_source_json = re.match(r'.*?\((.*?)\)', str_source_json).group(1)

# 将字符串json转为可处理的正式json

source_json = json.loads(pure_str_source_json)

# 遍历字典中的数据类型list

for j in source_json['list']:

# 创建临时列表

temp_num_url = list()

# 将url和page拼接到列表中

temp_num_url.append(j["zoom"])

temp_num_url.append(j["page"])

# 将列表信息添加到全局变量中

self.all_img_url.append(temp_num_url)

# 建立文件夹

try:

os.makedirs(BASE_DIR+"/static/spider_file/bdwk/ppt/%s" % (self.title))

except Exception as e:

pass

for img_url in self.all_img_url:

print(BASE_DIR+"正在获取第%d页资源(剩余%d页)" % (img_url[1], len(self.all_img_url) - img_url[1]))

data = self.get_response_content(img_url[0])

path = BASE_DIR+"/static/spider_file/bdwk/ppt/%s/%s" % (self.title, str(img_url[1]) + '.jpg')

with open(path, 'wb') as f:

f.write(data)

print("写入完毕")

# 运行主程序

def main(url):

try:

# url = input("请输入资源所在的网址:")

docType = BaiduWK(url).docType

except:

print("您输入的url,有误请重新输入!")

os.exit()

print("类型为", "-->", docType)

if docType == "ppt2":

ppt = BDWKPPT(url)

print("您将要获取的演示文稿(ppt)名称为:", ppt.title)

ppt.get_ppt_json_info()

data = dict()

src = "/static/spider_file/bdwk/ppt/%s/" % (ppt.title)

title_name = ppt.title

data["src"] = src

data["title_name"] = title_name

return data

elif docType == "doc":

word = BDWKDOC(url)

print("您将要获取的文档(word)名称为", word.title)

pure_addr_list = word.get_pure_addr_list()

word.get_json_content(pure_addr_list)

data = dict()

src = "/static/spider_file/bdwk/doc/%s.txt" % (word.title)

title_name = word.title

data["src"] = src

data["title_name"] = title_name+".txt"

return data

elif docType == "pdf":

pdf = BDWKDOC(url)

print("您将要获取的PDF名称为:", pdf.title)

pure_addr_list = pdf.get_pure_addr_list()

pdf.get_json_content(pure_addr_list)

data = dict()

src = "/static/spider_file/bdwk/pdf/%s.txt" % (pdf.title)

title_name = pdf.title

data["src"] = src

data["title_name"] = title_name+".txt"

return data

elif docType == "txt":

txt = BDWKTXT(url)

print("您将要下载的文本文档(txt)名称为:", txt.title)

txt.get_txt(url)

data = dict()

src = "/static/spider_file/bdwk/txt/%s.txt" % (txt.title)

title_name = txt.title

data["src"] = src

data["title_name"] = title_name+".txt"

return data

else:

other = BDWKPPT(url)

print("暂不支持下载%s类型" % (other.docType))

data = dict()

data["src"] = ""

data["title_name"] = "暂不支持%s类型"%(other.docType)

return data

python百度文库免费_Python在线百度文库爬虫(免下载券)相关推荐

  1. python爬去百度文库资料_Python在线百度文库爬虫(免下载券)

    百度文库,文字类型的资源(如txt, doc, pdf),是可以在前端源码分析获取到的,如果能按照规则合理的提取这些文字资源,就可以实现免下载券获取资源. 作者完成了百度文库的在线版爬虫,只需提供文库 ...

  2. 《脚本》Python在线百度文库爬虫(免下载券)

    百度文库,文字类型的资源(如txt, doc, pdf),是可以在前端源码分析获取到的,如果能按照规则合理的提取这些文字资源,就可以实现免下载券获取资源. 作者完成了百度文库的在线版爬虫,只需提供文库 ...

  3. python 百度ocr安装_Python利用百度文字识别(OCR)服务实现图片文字提取,准确率超高...

    最近和朋友聊天,聊到一个充满使命感但又略显心酸的话题--下班回家在网上给小朋友抄题...那么问题来了,除了大家所知的QQ文字识别功能之外,还有哪些方式可以做到文字识别呢. 作为一名热心的Python小 ...

  4. python安装默认路径_Python pip install如何修改默认下载路径

    Python pip install如何修改默认下载路径 pip动不动就下载数百M的文件.这些文件默认在C:盘,那么为了节省空间需要修改这些路径: 打开cmd命令窗口.输入: python -m si ...

  5. python爬豆瓣小组_Python伪装浏览器请求爬虫豆瓣小组

    Python爬虫,下载豆瓣小组图片 # -*- coding: utf-8 -*- # ----------------------------------------------- # 程序:豆瓣小 ...

  6. python 百度ocr安装_Python调用百度OCR实现图片文字识别的示例代码

    百度AI提供了一天50000次的免费文字识别额度,可以愉快的免费使用!下面直接上方法: 首先在百度AI创建一个应用,按照下图创建即可,创建后会获得如下: 创建后会获得如下信息: APP_ID = '* ...

  7. python 语音识别机器人控制系统_python实现百度语音识别api

    本文实例为大家分享了python实现百度语音识别的具体代码,供大家参考,具体内容如下 详细百度语音识别api文档 先下载python用SDK,可以用python setup.py install安装 ...

  8. python 百度ocr识别_Python使用百度Ocr识别文字保存CSV

    1.准备: 1)Python开发环境, 笔者用的是3.7; 工具用的是Pycharm 2)百度云后台创建文字识别的应用, 获取AppID, API key, Secret Key 百度云后台创建文字识 ...

  9. python百度人脸识别_python 与 百度人脸识别api

    用python来做人脸识别代码量少 思路清晰, 在使用之前我们需要在我们的配置的编译器中通过pip       install baidu-aip  即可 from aip import AipFac ...

最新文章

  1. Quart 2D 绘制图形简单总结
  2. 三十一、具有快表的地址变换机构
  3. 一个切割PDF文件的简单的方法 -只需要chrome浏览器
  4. python找不到tushare_python tushare
  5. 计算机应用看法,对计算机应用教学方法改革的看法
  6. 为什么倒排索引不采用zlib这样的字典压缩算法——因为没法直接使用啊
  7. 社交平台舆情分析项目的总结和感想(LU学习,EM,KNN)(二)
  8. 【ASP.NET MVC】 路由机制:命名路由
  9. php分页操作,PHP实现适用于文件内容操作的分页类
  10. FLEX里的CSS样式设置教材
  11. 域迁移过程下详细步骤
  12. ubuntu16.4 配置logstash6.3.2 kibanan6.3.2
  13. Android每周一轮子:Nvwa(热修复)
  14. Vertx与Spring配合完成DML操作
  15. gvim 命令行粘贴_vim基本命令之剪切复制粘贴替换
  16. 普通函数和Generator函数递归获取嵌套数组的最大值
  17. 送走2007 ^_^ 迎来2008
  18. 计算机桌面工具栏出现闪烁,电脑任务栏一直闪怎么办
  19. FTP文件传输神器:8uftp
  20. 多卡聚合路由器和普通路由器的区别

热门文章

  1. photoscape x pro中文特别授权版(照片处理工具) v4.1.1
  2. 计算机网络运营职业生涯规划,计算机网络专业的职业的职业生涯规划书如何写?...
  3. 平方根法matlab,MATLAB數值分析之平方根法
  4. Codeblocks + Widgets 创建窗口代码分析
  5. 你为什么被骗-广交会摊位购买防骗篇
  6. 我的世界java1.15.2光影_我的世界1.15.2 OptiFine HD高清修复补丁(支持光影)下载 | 我的世界中文社区...
  7. vue3+阿里乾坤实现主应用和微应用
  8. 阿里云云解析新手教程 新手看完啥都会了
  9. 【全源码及文档】基于B2C的网上拍卖系统—秒杀与竞价
  10. 关于uiautomatorviewer识别到的界面为横屏的解决方案