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
Django中使用locals()函数的技巧
Jul 16 Python
Python正则表达式教程之三:贪婪/非贪婪特性
Mar 02 Python
Python进阶之递归函数的用法及其示例
Jan 31 Python
tensorflow实现图像的裁剪和填充方法
Jul 27 Python
python MNIST手写识别数据调用API的方法
Aug 08 Python
Django migrations 默认目录修改的方法教程
Sep 28 Python
python之Flask实现简单登录功能的示例代码
Dec 24 Python
两个元祖T1=('a', 'b'),T2=('c', 'd')使用匿名函数将其转变成[{'a': 'c'},{'b': 'd'}]的几种方法
Mar 05 Python
修改 CentOS 6.x 上默认Python的方法
Sep 06 Python
python爬虫爬取监控教务系统的思路详解
Jan 08 Python
Python闭包与装饰器原理及实例解析
Apr 30 Python
Python-jenkins模块获取jobs的执行状态操作
May 12 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
小偷PHP+Html+缓存
2006/12/20 PHP
php初学者写及时补给skype用户充话费的小程序
2008/11/02 PHP
javascript hasFocus使用实例
2010/06/29 Javascript
jquery+ajax每秒向后台发送请求数据然后返回页面的代码
2011/01/17 Javascript
jQuery Ajax提交表单查询获得数据实例代码
2012/09/19 Javascript
THREE.JS入门教程(5)你应当知道的十件事
2013/01/24 Javascript
javascript运行机制之this详细介绍
2014/02/07 Javascript
LABjs、RequireJS、SeaJS的区别
2014/03/04 Javascript
node.js操作mongodb学习小结
2015/04/25 Javascript
Knockout结合Bootstrap创建动态UI实现产品列表管理
2016/09/14 Javascript
Intellij IDEA搭建vue-cli项目的方法步骤
2018/10/20 Javascript
Node.js + express基本用法教程
2019/03/14 Javascript
koa2 从入门到精通(小结)
2019/07/23 Javascript
H5实现手机拍照和选择上传功能
2019/12/18 Javascript
Vue包大小优化的实现(从1.72M到94K)
2021/02/18 Vue.js
教大家玩转Python字符串处理的七种技巧
2017/03/31 Python
Python图像处理之识别图像中的文字(实例讲解)
2018/05/10 Python
Python不使用int()函数把字符串转换为数字的方法
2018/07/09 Python
Python 调用PIL库失败的解决方法
2019/01/08 Python
python 多维高斯分布数据生成方式
2019/12/09 Python
基于PyTorch的permute和reshape/view的区别介绍
2020/06/18 Python
纯CSS3实现的井字棋游戏
2020/11/25 HTML / CSS
详解HTML5 data-* 自定义属性
2018/01/24 HTML / CSS
详解WebSocket跨域问题解决
2018/08/06 HTML / CSS
Aquatalia官网:意大利著名鞋履品牌
2019/09/26 全球购物
美国亚马逊旗下时尚女装网店:SHOPBOP(支持中文)
2020/10/17 全球购物
软件测试面试题
2015/10/21 面试题
七年级英语教学反思
2014/01/15 职场文书
教师业务学习制度
2014/01/25 职场文书
体操比赛口号
2014/06/10 职场文书
庆七一活动总结
2014/08/27 职场文书
群众路线领导干部个人对照检查材料(集锦)
2014/09/23 职场文书
2014年专项整治工作总结
2014/11/17 职场文书
祝寿主持词
2015/07/02 职场文书
Linux安装Nginx步骤详解
2021/03/31 Servers
Python深度学习之实现卷积神经网络
2021/06/05 Python