Python实现的爬取百度文库功能示例


Posted in Python onFebruary 16, 2019

本文实例讲述了Python实现的爬取百度文库功能。分享给大家供大家参考,具体如下:

# -*- coding: utf-8 -*-
from selenium import webdriver
from bs4 import BeautifulSoup
from docx import Document
from docx.enum.text import WD_ALIGN_PARAGRAPH# 用来居中显示标题
from time import sleep
from selenium.webdriver.common.keys import Keys
# 浏览器安装路径
#BROWSER_PATH=\'C:\Users\Administrator\AppData\Local\Google\Chrome\Application\chromedriver.exe'
#目的URL
DEST_URL='https://wenku.baidu.com/view/aa31a84bcf84b9d528ea7a2c.html'
#用来保存文档
doc_title = ''
doc_content_list = []
def find_doc(driver, init=True):
  global doc_content_list
  global doc_title
  stop_condition = False
  html = driver.page_source
  soup1 = BeautifulSoup(html, 'lxml')
  if (init is True): # 得到标题
    title_result = soup1.find('div', attrs={'class': 'doc-title'})
    doc_title = title_result.get_text() # 得到文档标题
    # 拖动滚动条
    init_page = driver.find_element_by_xpath( "//div[@class='foldpagewg-text-con']")
    print(type(init_page), init_page)
    driver.execute_script('arguments[0].scrollIntoView();', init_page)
    init_page.click()
    init = False
  else:
    try:
      page = driver.find_element_by_xpath( "//div[@class='pagerwg-schedule']")
      #print(type(next_page), next_page)
      next_page = driver.find_element_by_class_name("pagerwg-button")
      station = driver.find_element_by_xpath( "//div[@class='bottombarwg-root border-none']")
      driver.execute_script('arguments[0].scrollIntoView(false);', station)
      #js.executeScript("arguments[0].click();",next_page);
      #sleep(5)
      '''js = "window.scrollTo(508,600)"
      driver.execute_script(js)'''
      next_page.click()
    except:
      #结束条件
      print("找不到元素")
      stop_condition = True
      #next_page.send_keys(Keys.ENTER)
      # 遍历所有的txt标签标定的文档,将其空格删除,然后进行保存
  content_result = soup1.find_all('p', attrs={'class': 'txt'})
  for each in content_result:
    each_text = each.get_text()
    if ' ' in each_text:
      text = each_text.replace(' ', '')
    else:
      text = each_text
    # print(each_text)
    doc_content_list.append(text)
          # 得到正文内容
  sleep(2) # 防止页面加载过慢
  if stop_condition is False:
    doc_title, doc_content_list = find_doc(driver, init)
  return doc_title, doc_content_list
def save(doc_title, doc_content_list):
  document = Document()
  heading = document.add_heading(doc_title, 0)
  heading.alignment = WD_ALIGN_PARAGRAPH.CENTER # 居中显示
  for each in doc_content_list:
    document.add_paragraph(each)
  # 处理字符编码问题
  t_title = doc_title.split()[0]
  #print(t_title)
  #document.save('2.docx')
  document.save('百度文库-%s.docx'% t_title)
  print("\n\nCompleted: %s.docx, to read." % t_title)
  driver.quit()
if __name__ == '__main__':
  options = webdriver.ChromeOptions()
  options.add_argument('user-agent="Mozilla/5.0 (Linux; Android 4.0.4; \ Galaxy Nexus Build/IMM76B) AppleWebKit/535.19 (KHTML, like Gecko) \ Chrome/18.0.1025.133 Mobile Safari/535.19"')
  #driver = webdriver.Chrome(BROWSER_PATH, chrome_options=options)
  driver = webdriver.Chrome(chrome_options=options)
  driver.get(DEST_URL)
  #JavascriptExecutor js = (JavascriptExecutor) driver;
  print("**********START**********")
  title, content = find_doc(driver, True)
  save(title, content)
  driver.quit()

更多关于Python相关内容可查看本站专题:《Python Socket编程技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。

Python 相关文章推荐
Python构造函数及解构函数介绍
Feb 26 Python
shell命令行,一键创建 python 模板文件脚本方法
Mar 20 Python
pyspark 读取csv文件创建DataFrame的两种方法
Jun 07 Python
Python 3.3实现计算两个日期间隔秒数/天数的方法示例
Jan 07 Python
Python3实现的判断回文链表算法示例
Mar 08 Python
浅谈pyqt5在QMainWindow中布局的问题
Jun 21 Python
简单了解python高阶函数map/reduce
Jun 28 Python
详解python列表(list)的使用技巧及高级操作
Aug 15 Python
浅析python内置模块collections
Nov 15 Python
Python3加密解密库Crypto的RSA加解密和签名/验签实现方法实例
Feb 11 Python
python GUI库图形界面开发之PyQt5布局控件QVBoxLayout详细使用方法与实例
Mar 06 Python
Python爬虫框架之Scrapy中Spider的用法
Jun 28 Python
对Python3 序列解包详解
Feb 16 #Python
对Python3 pyc 文件的使用详解
Feb 16 #Python
Python父目录、子目录的相互调用方法
Feb 16 #Python
python 获得任意路径下的文件及其根目录的方法
Feb 16 #Python
Python通过for循环理解迭代器和生成器实例详解
Feb 16 #Python
Python3 导入上级目录中的模块实例
Feb 16 #Python
对Python3 goto 语句的使用方法详解
Feb 16 #Python
You might like
PHP通过session id 实现session共享和登录验证的代码
2012/06/03 PHP
php中Y2K38的漏洞解决方法实例分析
2014/09/22 PHP
php数组排序usort、uksort与sort函数用法
2014/11/17 PHP
PHP对文件夹递归执行chmod命令的方法
2015/06/19 PHP
PHP自定义序列化接口Serializable用法分析
2017/12/29 PHP
RSA实现JS前端加密与PHP后端解密功能示例
2019/08/05 PHP
农历与西历对照
2006/09/06 Javascript
建立良好体验度的Web注册系统ajax
2007/07/09 Javascript
JS 页面内容搜索,类似于 Ctrl+F功能的实现代码
2007/08/13 Javascript
JQuery插件fancybox无法在弹出层使用左右键的解决办法
2013/12/25 Javascript
js图片实时加载提供网页打开速度
2014/09/11 Javascript
JavaScript字符串对象charAt方法入门实例(用于取得指定位置的字符)
2014/10/17 Javascript
JavaScript获取按钮所在form表单id的方法
2015/04/02 Javascript
jquery实现美观的导航菜单鼠标提示特效代码
2015/09/06 Javascript
Javascript中的数组常用方法解析
2016/06/17 Javascript
JS实现控制文本框的内容
2016/07/10 Javascript
NodeJS与HTML5相结合实现拖拽多个文件上传到服务器的实现方法
2016/07/26 NodeJs
JS实现的图片预览插件与用法示例【不上传图片】
2016/11/25 Javascript
详解bootstrap的modal-remote两种加载方式【强化】
2017/01/27 Javascript
除Console.log()外更多的Javascript调试命令
2018/01/24 Javascript
在Vue中使用highCharts绘制3d饼图的方法
2018/02/08 Javascript
自定义Vue中的v-module双向绑定的实现
2019/04/17 Javascript
详解如何探测小程序返回到webview页面
2019/05/14 Javascript
python中定义结构体的方法
2013/03/04 Python
Python中的闭包详细介绍和实例
2014/11/21 Python
Python实现简单截取中文字符串的方法
2015/06/15 Python
python实现flappy bird游戏
2018/12/24 Python
Python基础知识点 初识Python.md
2019/05/14 Python
详解Canvas事件绑定
2018/06/27 HTML / CSS
Pottery Barn阿联酋:购买家具、家居装饰及更多
2019/12/08 全球购物
交通事故私了协议书
2014/04/16 职场文书
报到证办理个人委托书
2014/10/06 职场文书
工作简报怎么写
2015/07/21 职场文书
微信小程序实现聊天室功能
2021/06/14 Javascript
MySQL提升大量数据查询效率的优化神器
2022/07/07 MySQL
pytorch实现加载保存查看checkpoint文件
2022/07/15 Python