教你用 Python 爬取 Baidu 文库全格式文档

考虑到现在大部分小伙伴使用 Python 主要因为爬虫，那么为了更好地帮助大家巩固爬虫知识，加深对爬虫的理解，选择了爬取百度文库作为我们的目标。

 

废话不多说，我们开始。

TXT、DOCX 爬取与保存

在爬取任何东西之前，我们都要先确认需要爬取的数据是不是异步加载的；如果是异步加载的直接爬取网页是爬不到的。

要知道是不是异步加载其实很简单，就用requests 对网页发起请求，看看 response 是什么就可以了

url = 'https://wenku.baidu.com/view/4e29e5a730126edb6f1aff00bed5b9f3f90f72e7.html?rec_flag=default'
header = {'User-agent': 'Mozilla/5.0 (windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'}
res = requests.get(url , headers = header)
res.text

 

很明显，返回的东西，并不是我们所需要的内容； 根据常理来说，我们就可以认为该网页是异步加载的。

但是，从常识来讲，如果网页的内容是异步加载的，那么直接通过百度搜索，是搜索不到网页内部的内容的，但是很显然，我们每次通过百度搜索都是可以直接找到文库中的文本内容的。

如下:

 

那么这就有意思了，明明直接发起请求是获取不到网页内容的，但是为什么通过百度搜索就可以找到呢？ 关键肯定在于百度搜索 上面。

这个时候通过查阅资料，我们了解到，最主要的问题出在我们的 headers

在爬取网页时，headers 通常是作为身份证，让网页不看出我们是爬虫；如果不加 headers，网页直接就会看出我们是爬虫，就会拒绝访问

 

再深入了解一下 headers 的识别机理，我们发现了叫做 Robot 协议的东西。

它规定了什么样的 headers 可以访问网页内部内容，除了指定 headers 之外的 headers，都是无法请求页面内容的。

比如说百度文库的 Robot 协议就是下面这样的：

User-agent: Baiduspider

Disallow: /w?

Disallow: /search?

Disallow: /submit

Disallow: /upload

Disallow: /cashier/   

而我们需要爬取的内容 url 格式为

https://wenku.baidu.com/view/?.html

这代表 Baiduspider 应该可以爬取文库内容；大致猜测这是因为百度搜索时需要根据文本内容匹配搜索选项，所以放行。

因此我们尝试伪装 UA 为 Baiduspider

url = 'https://wenku.baidu.com/view/4e29e5a730126edb6f1aff00bed5b9f3f90f72e7.html?rec_flag=default'
header = {'User-agent': 'googlebot'}
res = requests.get(url , headers = header)
res.text

果然不出所料，我们成功地获取到了目标内容

 

既然已经成功获取到了网页的正确源代码，那么下一步就是去解析网页获取内容。

解析网页源代码的库有很多，这里我们使用 BeautifulSoup

plist = []
soup = BeautifulSoup(r, "html.parser")
plist.append(soup.title.string)
for div in soup.find_all('div', attrs={"class": "bd doc-reader"}):
    plist.extend(div.get_text().split('n'))
plist = [c.replace(' ', '') for c in plist]
plist = [c.replace('\x0c', '') for c in plist]
plist

整个解析是非常容易的，都是很标准的操作。

在这里就不多加叙述了，最终的效果如下：

 

当然爬取到东西了只是万里长征的第一步，就这样是肯定不行的，我们还需要将爬取的内容保存起来，通常是保存为 txt 文件

file = open('test.txt', 'w',encoding='utf-8')
for str in plist:
    file.write(str)
    file.write('n')
file.close()

 

但是为了美观起见，我们在这里选择使用 python-docx 库将内容保存为 docx 文件

with open('test.txt', encoding='utf-8') as f:
    docu = Document()
    docu.add_paragraph(f.read())
    docu.save('test.docx')

 

PPT、PDF 爬取与保存

 

有了之前的经验教训，在爬取的时候我们首先就尝试了使用爬取 TXT、DOCX 的方法，尝试是否可以爬到内容

url = 'https://wenku.baidu.com/view/a4ac1b57dd88d0d232d46a0f.html?fr=search'
header = {'User-agent': 'Googlebot'}
res = requests.get(url , headers = header)
res.text

很可惜的是，我们并没有访问到

原因仔细想想也很简单，在百度搜索的时候，直接搜索是搜不到 PPT 或者 PDF 的内容的

 

那么很显然，PPT 和 PDF 是通过异步的方法进行内容加载的

对待异步加载的数据，我们通常采取的策略有两种

1、第一个就是直接找到发起异步请求的接口，自己构造请求头，发起请求

2、第二个就是通过 Selenium 这样的自动化测试工具去爬取

 

百度文库的接口太难找了，请求头的构造也很麻烦，找了很久也没有很满意。

所以在本次爬取中，我们使用的是第二种方法，使用 Selenium 这样的自动化测试工具

 

这里我们需要下载 ChromeDriver 这个插件，当然这里是默认大家使用的是 Chrome 浏览器，如果是其他的浏览器，firefox，safari 等等，直接去网上找到相应 Driver 就可以了。

这里给出 ChromeDriver 的下载地址

http://npm.taobao.org/mirrors/chromedriver/

大家一定要下载和自己 Chrome 浏览器版本一致的 ChromeDriver，不然程序是运行会报错

 

我们先不急着马上开始爬取，我们先来尝试使用一下Selenium调用ChromeDriver

import requests
from selenium import webdriver
url = 'https://wenku.baidu.com/view/5292b2bc0166f5335a8102d276a20029bd64638c.html?fr=search'
driver = webdriver.Chrome(r'F:driverchromedriver.exe')
driver.get(url)

怎么样，是不是浏览器自动打开了? 现在我们尝试输出这个 driver，就可以看见，网页的正确源代码已经在里面了

现在我们仔细研究一下源代码就可以看到，我们需要的内容在下面这个位置

 

现在正确的源代码也有了，内容的位置也知道了，直接解析，爬取，完事就好了。

 

想得美，经过这样的爬取之后，对内容进行解析，让我们看看究竟爬到没有

 

from lxml import etree
import re
html=etree.HTML(driver.page_source)
links=html.xpath("//div[@class='reader-pic-item']/@style")
part = re.compile(r'url[(](.*?)[)]')
qa="".join(links)
z=part.findall(qa)
z

 

我们可以知道，其实我们只爬到 3 张 PDF，其他的都没有爬到。

这是为什么呢？

这是百度文库为了防止大家去爬，专门设置的一个小机关

 

返回百度文库，我们仔细看看源代码，其实我们可以发现，随着页面的变化，源代码是不断改变的，每次都只有 3 张图片的 url。

并且这个页码数也有一定的规律，如果在第二页，那么图片就是 1，2，3，如果在第三页，图片就是 2，3，4

 

那么我们的疑惑一下就解决了，只需要不断地进行换页的爬取，就可以了

接下来就是如何实现换页的操作了

这个需要两个步骤，先是点击继续阅读，然后进行页面输入实现换页。

先实现点击的操作，代码如下：

button = driver.find_element_by_xpath("//*[@id='html-reader-go-more']/div[2]/div[1]/span")
button.click()
driver.execute_script("arguments[0].click();", button)

整个操作是通过 JS 来进行的，大家可以把这个记住，以后需要点击的时候直接用就可以

然后就是输入页面实现换页，这个其实涉及的比较多，细分的话，步骤分为获取总页数，依次输入页面并点击。

import re
# 寻找页面
source = re.compile(r'<span class="page-count">/(.*?)</span>')
number = int(source.findall(driver.page_source)[0])
# 输入页面并点击
driver.find_element_by_class_name("page-input").clear()
driver.find_element_by_class_name("page-input").send_keys('2')
driver.find_element_by_class_name("page-input").send_keys(Keys.ENTER)

如果小伙伴成功实现了上面的操作，其实大体的爬取工作已经差不多了，接下来就是保存我们的 PPT 和 PDF了

 

因为爬取 PDF 和 PPT 的时候，我们是爬取的图片的源地址，那么我们要获得这张图片并保存下来就必须对这个地址发起请求，然后将返回头以二进制保存下来。

for m in range(3):
    pic = requests.get(z[m]).content
    # 方法一
#     file = open(f'./照片/{m+1}.jpg','wb')
#     file.write(pic)
#     file.close()
    # 方法二
    with open(f'./照片/{m+1}.jpg','wb') as f:
        f.write(pic)
        f.close()

在这里，提醒大家一下一定要按照对图片用正确顺序进行命名，因为后面保存为 PDF 的时候，需要排序

在 py 文件的目录下，大家就可以看见保存下来的图片了

最后一步，将图片保存为 PDF

from PIL import Image
import os
folderPath = "F:/TEST"
filename = "test"
files = os.listdir(folderPath)
jpgFiles = []
sources = []
for file in files:
    if 'jpg' in file:
        jpgFiles.append(file)
tep = []
for i in jpgFiles:
    ex = i.split('.')
    tep.append(int(ex[0]))
tep.sort()
jpgFiles=[folderPath +'/'+ str(i) + '.jpg' for i in tep]
output = Image.open(jpgFiles[0])
jpgFiles.pop(0)
for file in jpgFiles:
   img = Image.open(file)
   img = img.convert("P")
   sources.append(img)
output.save(f"./{filename}.pdf","PDF",save_all=True,append_images=sources)

最终的结果就是生成了咱们的 PDF 文件

 

上述的操作看起来很多，很麻烦，其实并不是的，因为大部分的操作都是固定的，大家只需要记熟就可以了。

简单的 GUI 制作

 

GUI 这块，我们整了点新活儿，用 C# 编写 winform 简易的 GUI，调用爬虫的 Py thon 代码

 

C# 调用 python 项目的方式我简单用 Process 类执行，通过执行 python.exe 执行代码

public static void RunPythonScript(string sArgName, string py, string args = "", params string[] teps)
{
    Process p = new Process();

    //(没放debug下，写绝对路径)
    //string path = @"C:UserszllDesktopbaiduCSharpCallPythonbinDebug" + sArgName;
    // 获得python文件的绝对路径（将文件放在c#的debug文件夹中可以这样操作）
    string path = System.AppDomain.CurrentDomain.SetupInformation.ApplicationBase + sArgName;

    //没有配环境变量的话，可以像我这样写python.exe的绝对路径。如果配了，直接写"python.exe"即可
    //p.StartInfo.FileName = @"C:UserszllAppDataLocalProgramsPythonPython37-32python.exe";
    p.StartInfo.FileName = @py;
    string sArguments = path;

    foreach (string sigstr in teps)
    {
        sArguments += " " + sigstr;//传递参数
    }

    sArguments += " " + args;

    p.StartInfo.Arguments = sArguments;
    p.StartInfo.UseShellExecute = false;
    p.StartInfo.RedirectStandardOutput = true;
    p.StartInfo.RedirectStandardInput = true;
    p.StartInfo.RedirectStandardError = true;
    p.StartInfo.CreateNoWindow = true;

    p.Start();
    p.BeginOutputReadLine();
    p.OutputDataReceived += new DataReceivedEventHandler(p_OutputDataReceived);
    Console.ReadLine();
    p.WaitForExit();
}

对输入 的内容进行简单判断，如果不是百度文库地址或不是 python.exe 地址，报错

if (!url.Contains("https://wenku.baidu.com/view/"))
{
    MessageBox.Show("请输入正确的百度文库网址！");
    lbl_state.Text = "请重新输入。";
}
else if (!py.Contains("python.exe"))
{
    MessageBox.Show("请输入正确的python.exe路径！");
    lbl_state.Text = "请重新输入。";
}
else
{
    //输入参数列表
    String[] strArr = new String[] { url, istxt };
    string sArguments = @"srcwenku.py";//这里是python的文件名字
    RunPythonScript(sArguments, py, "-u", strArr);
    if(result.Contains("0"))
        lbl_state.Text = "对不起，爬取失败。";
    else if (result.Contains("1"))
        lbl_state.Text = "爬取成功！";
}

因为 GUI 部分比较简单，这里就不过多描述了。