Python爬取某网站文档数据完整教程（附源码）

一时失言乱红尘 2022-10-23 12:46 250阅读 0赞

# 前言 #

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

# 基本开发环境 #

Python 3.6

Pycharm

# 相关模块的使用 #

import os
    import requests
    import time
    import re
    import json
    from docx import Document
    from docx.shared import Cm

安装Python并添加到环境变量，pip安装需要的相关模块即可。

**Python爬虫、数据分析、网站开发等案例教程视频免费在线观看**

https://space.bilibili.com/523606542

# **[ Python学习交流群：1039649593][Python_1039649593]** #

# 目标网页分析 #

![36a1d28bc8469ec729713586283c6e02.png][]

网站的文档内容，都是以图片形式存在的。它有自己的数据接口

接口链接：

https://openapi.book118.com/getPreview.html?&project_id=1&aid=272112230&t=f2c66902d6b63726d8e08b557fef90fb&view_token=SqX7ktrZ_ZakjDI@vcohcCwbn_PLb3C1&page=1&callback=jQuery18304186406662159248_1614492889385&_=1614492889486

接口的请求参数

![e69127dee9b3ef92567e0c2eff89a75e.png][]

# 整体思路 #

*  请求网页返回response数据（字符串）
 *  通过re模块匹配提取中间的数据（列表）索引取0（字符串）
 *  通过json模块是把提取出来的数据转换成json模块
 *  通过遍历获取每张图片的url地址
 *  保存图片到本地文件夹
 *  把图片保存到word文档
 *  爬虫代码实现

# 爬虫代码实现 #

def download():
        content = 0
        for page in range(1, 96, 6):
            # 给定 2秒延时
            time.sleep(2)
            # 获取时间戳
            now_time = int(time.time() * 1000)
            url = 'https://openapi.book118.com/getPreview.html'
            # 请求参数
            params = {
                'project_id': '1',
                'aid': '272112230',
                't': 'f2c66902d6b63726d8e08b557fef90fb',
                'view_token': 'SqX7ktrZ_ZakjDI@vcohcCwbn_PLb3C1',
                'page': f'{page}',
                '_': now_time,
            }
            # 请求头
            headers = {
                'Host': 'openapi.book118.com',
                'Referer': 'https://max.book118.com/html/2020/0427/8026036013002110.shtm',
                'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
            }
            response = requests.get(url=url, params=params, headers=headers)
            # 使用正则表达式提取内容
            result = re.findall('jsonpReturn\((.*?)\)', response.text)[0]
            # 字符串转json数据
            json_data = json.loads(result)['data']
            # 字典值的遍历
            for value in json_data.values():
                content += 1
                # 拼接图片url
                img_url = 'http:' + value
                print(img_url)
                headers_1 = {
                    'Host': 'view-cache.book118.com',
                    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
                }
                # 请求图片url地址 获取content二进制数据
                img_content = requests.get(url=img_url, headers=headers_1).content
                # 文件名
                img_name = str(content) + '.jpg'
                # 保存路径
                filename = 'img\\'
                # 以二进制方式保存 （图片、音频、视频等文件都是以二进制的方式保存）
                with open(filename + img_name, mode='wb') as f:
                    f.write(img_content)

注意点：

1、一定要给延时，不然后面接口数据会请求不到。

2、请求图片url的时候headers参数需要写完整，否则保存图片是无法打开的

3、命名最好是给定数字，1.jpg、2.jpg 这样，方便后续保存到word

爬虫部分的代码还是比较简单的，没有什么特别的难度。

爬取这些文档，都是需要打印或者查询所以要把这些单张的图片都保存到word文档里面。

# 写入文档 #

def save_picture():
        document = Document()
        path = './img/'
        lis = os.listdir(path)
        c = []
        for li in lis:
            index = li.replace('.jpg', '')
            c.append(index)
        c_1 = sorted(list(map(int, c)))
        print(c_1)
        new_files = [(str(i) + '.jpg') for i in c_1]
        for num in new_files:
            img_path = path + num
            document.add_picture(img_path, width=Cm(17), height=Cm(24))
            document.save('tu.doc')  # 保存文档
            os.remove(img_path)  # 删除保存在本地的图片

[Python_1039649593]: https://jq.qq.com/?_wv=1027&k=SBLaYU2c
[36a1d28bc8469ec729713586283c6e02.png]: /images/20221023/9924d203a73146b68dbdcd97c6e8e388.png
[e69127dee9b3ef92567e0c2eff89a75e.png]: /images/20221023/d7957fcfa23e4f8a99444d7356694d30.png