python可以下载百度文库_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可以下载百度文库_Python在线百度文库爬虫(免下载券)相关推荐

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 ...
python百度文库免费_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 ...
《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 ...
python 百度词典_python在线抓取百度词典的翻译结果翻译单词
这段代码通过抓取百度词典的翻译结果达到翻译单词的目的这个小工具使用Python语言编写完成,其中使用到这些类库(urllib,BeautifulSoup ),前者主要负责网络通讯方面,后者负责HT ...
python调用离线百度语音识别_python调用百度语音识别api
最近在处理语音检索相关的事. 其中用到语音识别,调用的是讯飞与百度的api,前者使用js是实现,后者用python3实现(因为自己使用python) 环境: python3.5 centos 7 流程 ...
python运行界面英文翻译_python使用百度api翻译中英文
python使用百度api翻译中英文写程序取变量名的时候,常常需要翻译单词,或者将中文翻译成英语.有道词典,必应词典都很好,可是...命令行习惯了还是觉得用在cmd里面调出程序使用起来也许会更爽.于 ...
python打开网址搜索关键字_Python实验:百度搜索关键字自动打开相关URL
#! python # coding: utf-8 # python实现百度搜索关键字,并依次用浏览器打开前五个搜索结果 ## ##Beautiful Soup 是一个模块,用于从HTML 页面中提取 ...
python识别英语语音翻译器_Python结合百度语音识别实现实时翻译软件的实现
一.所需库安装 pip install PyAudio pip install SpeechRecognition pip install baidu-aip pip install Wave pip ...
python获取某地铁站经纬度_python通过百度地图API获取某地址的经纬度详解
前言这几天比较空闲,就接触了下百度地图的API(开发者中心链接地址:http://developer.baidu.com),发现调用还是挺方便的,本文将给大家详细的介绍关于python通过百度地图A ...
python获取某地铁站经纬度_python基于百度地图获取指定的经纬度信息
在实际做项目的时候经常会遇上需要使用到某个位置经纬度的情况,这个位置的经纬度经常又是没有的,那么就需要基于公开的数据去获取了,这里基于百度地图提供的API来完成指定位置经纬度数据的获取,实现很简单,主 ...

python可以下载百度文库_Python在线百度文库爬虫(免下载券)

python可以下载百度文库_Python在线百度文库爬虫(免下载券)相关推荐

最新文章

热门文章