python下载网页中的pdf文件_【Python】Python的urllib模块、urllib2模块批量进行网页下载文件...

由于需要从某个网页上下载一些PDF文件，但是需要下载的PDF文件有几百个，所以不可能用人工点击来下载。正好Python有相关的模块，所以写了个程序来进行PDF文件的下载，顺便熟悉了Python的urllib模块和ulrllib2模块。

1、问题描述

需要从http://www.cvpapers.com/cvpr2014.html上下载几百个论文的PDF文件，该网页如下图所示：

2、问题解决

通过结合Python的urllib模块和urllib2模块来实现自动下载。代码如下：

test.py

#!/usr/bin/python

# -*- coding:utf-8 -*-

import urllib #导入urllib模块

import urllib2 #导入urllib2模块

import re #导入正则表达式模块：re模块

def getPDFFromNet(inputURL):

req = urllib2.Request(inputURL)

f = urllib2.urlopen(req) #打开网页

localDir = 'E:\downloadPDF\\' #下载PDF文件需要存储在本地的文件夹

urlList = [] #用来存储提取的PDF下载的url的列表

for eachLine in f: #遍历网页的每一行

line = eachLine.strip() #去除行首位的空格，习惯性写法

if re.match('.*PDF.*', line): #去匹配含有“PDF”字符串的行，只有这些行才有PDF下载地址

wordList = line.split('\"') #以"为分界，将该行分开，这样就将url地址单独分开了

for word in wordList: #遍历每个字符串

if re.match('.*\.pdf$', word): #去匹配含有“.pdf”的字符串，只有url中才有

urlList.append(word) #将提取的url存入列表

for everyURL in urlList: #遍历列表的每一项，即每一个PDF的url

wordItems = everyURL.split('/') #将url以/为界进行划分，为了提取该PDF文件名

for item in wordItems: #遍历每个字符串

if re.match('.*\.pdf$', item): #查找PDF的文件名

PDFName = item #查找到PDF文件名

localPDF = localDir + PDFName #将本地存储目录和需要提取的PDF文件名进行连接

try:

urllib.urlretrieve(everyURL, localPDF) #按照url进行下载，并以其文件名存储到本地目录

except Exception,e:

continue

getPDFFromNet('http://www.cvpapers.com/cvpr2014.html')

注意：

（1）第1、6、8、23行分别多谢了一个“\”来进行转义；

（2）第27行的urlretrieve函数有3个参数：第一个参数就是目标url；第二个参数是保存的文件绝对路径(含文件名)，该函数的返回值是一个tuple(filename,header)，其中的filename就是第二个参数filename。如果urlretrieve仅提供1个参数,返回值的filename就是产生的临时文件名,函数执行完毕后该临时文件会被删除参数。第3个参数是一个回调函数，当连接上服务器、以及相应的数据块传输完毕的时候会触发该回调。其中回调函数名称可任意，但是参数必须为三个。一般直接使用reporthook(block_read,block_size,total_size)定义回调函数，block_size是每次读取的数据块的大小，block_read是每次读取的数据块个数，taotal_size是一一共读取的数据量，单位是byte。可以使用reporthook函数来显示读取进度。

如果想显示读取进度，则可以讲第三个参数加上，将上述程序第27行改为如下：

urllib.urlretrieve(everyURL, localPDF, reporthook=reporthook)

而reporthook回调函数的代码如下：

def reporthook(block_read,block_size,total_size):

if not block_read:

print "connection opened";

return

if total_size<0:

#unknown size

print "read %d blocks (%dbytes)" %(block_read,block_read*block_size);

else:

amount_read=block_read*block_size;

print 'Read %d blocks,or %d/%d' %(block_read,block_read*block_size,total_size);

综上所述，这就是一个简单的从网页抓取数据、下载文件的小程序，希望对正在学习Python的同学有帮助。谢谢！

本文标题: 【Python】Python的urllib模块、urllib2模块批量进行网页下载文件

本文地址: http://www.cppcns.com/jiaoben/python/170594.html

python下载网页中的pdf文件_【Python】Python的urllib模块、urllib2模块批量进行网页下载文件...相关推荐

python向mysql中添加数据标签_用python在MySQL中写入数据和添加数据
在笔者之前的博文中,已介绍了用python连接与mysql数据库的知识.包括如何安装python连接mysql的pymysql包,如何通过cusor语句将python与mysql连接起来,以及如何用p ...
python 从excel中抓取数据_使用Python抓取美团数据存于Excel中
0.程序是针对美团中的美食部分数据按好评排序采集. 要抓取保存的数据为: 商家名类型地理位置评论人数均价最低价格 1.首先编写网页数据采集函数,使用request采集网页源码,具体实现如 ...
python 获取表格中的空数据_在python beautifulsoup中获取表格单元格值为空时的文本输出...
我正在编写一个beauthulsoup/python代码来从html表中获取数据.该表的问题是某些列可能有空白数据(单元格为空).当我运行这段代码时,当它第一次遇到表中的空白单元格时,它会以一个&qu ...
python统计文章中的高频词汇_使用Python 统计高频字数的方法
使用Python 统计高频字数的方法发布时间:2020-09-17 00:52:12 来源:脚本之家阅读:112 作者:Silent_Summer 问题 (来自Udacity机器学习工程师纳米学位 ...
python在excel中数据画线_在python中使用excel工作表中的数据绘制图形
我做了一些假设.假设你的数据是这样的:x y yerr_positive yerr_negative 1 1 0.1 0.2 2 2 0.1 0.2 3 3 0.1 0.2 4 4 0.1 0.2 我 ...
python去掉列表中的单引号_从Python中的列表中删除单引号
我有一个输入字符串: result = '"testing","0.8841","642000.0","80.014521&quo ...
在html中加入pdf文件吗,如何在网页中显示PDF文件
我们是不是对百度文库能直接在网页上显示PDF文件感到好奇,你是否也想实现这样的功能?很多朋友认为可以直接在网页中插入代码就可以实现这个功能,其实要在网页中完整地显示PDF文件,需要把PDF文件转换成S ...
html显示docx,网页中显示PDF的HTML代码.docx
网页中显示PDF的HTML代码您可能想打开文档至某一特别页面或目标,或显示书签.要与链接一起放入一个动作命令,可紧接在 PDF 文件名后面键入数字符号 (#) 和该命令.以下表格显示可能的动作命令 ...
非常好的在网页中显示pdf的方法
今天有一需求,要在网页中显示pdf,于是立马开始搜索解决方案,无意中发现一个非常好的解决方法,详见http://blogs.adobe.com/pdfdevjunkie/web_designers_g ...

python下载网页中的pdf文件_【Python】Python的urllib模块、urllib2模块批量进行网页下载文件...

python下载网页中的pdf文件_【Python】Python的urllib模块、urllib2模块批量进行网页下载文件...相关推荐

最新文章

热门文章