VB.net 2010 视频教程 VB.net 2010 视频教程 python基础视频教程
SQL Server 2008 视频教程 c#入门经典教程 Visual Basic从门到精通视频教程
当前位置:
首页 > 编程开发 > python入门 >
  • python入门教程之Python新手爬虫三:爬取PPT模板

本站最新发布   Python从入门到精通|Python基础教程
试听地址  
https://www.xin3721.com/eschool/python.html


爬取网站:第一PPT(http://www.1ppt.com/ 此网站真的良心 大写的牛

老样子,先上最后成功的源码:

复制代码
import requests
import urllib
import os
from bs4 import BeautifulSoup
from fake_useragent import UserAgent

def getPPT(url):
     f = requests.get(url,headers=headers)   #发送GET请求
     f.encoding = f.apparent_encoding    #设置编码方式
    soup1 = BeautifulSoup(f.text,'lxml')
    classHtml = soup1.find('div',class_="col_nav i_nav clearfix").select('a')    #在html中寻找类别
    for i in classHtml[:56]:
        classUrl = i['href'].split('/')[2] #将ppt模板类别关键词存到classUrl
        
        if not os.path.isdir(r'D:\PPT\\'+i['title']):   #判断有无此目录
            os.mkdir(r'D:\PPT\\'+i['title']) #若无,创建此目录。
        else:
            continue    #若有此目录,直接退出循环,就认为此类别已经下载完毕了
        
        n = 0
        for y in range(1,15):   #假设每个类别都有14页ppt(页数这一块找了很久,没找到全部获取的方法,只能采取此措施)
            pagesUrl = url+i['href']+'/ppt_'+classUrl+'_'+str(y)+'.html'
            a = requests.get(pagesUrl,headers=headers)
            
            if a.status_code != 404:    #排除状态码为404的网页
                soup2 = BeautifulSoup(a.text,'lxml')
                
                for downppt in soup2.find('ul',class_='tplist').select('li > a'):   #获取下载界面的URL
                    b = requests.get(url+downppt['href'],headers=headers)
                    b.encoding = b.apparent_encoding    #设置编码类型
                    soup3 = BeautifulSoup(b.text,'lxml')
                    downList = soup3.find('ul',class_='downurllist').select('a')    #获取下载PPT的URL
                    pptName = soup3.select('h1')   #ppt模板名称
                    print('Downloading......')
                    try:
                        urllib.request.urlretrieve(downList[0]['href'],r'D:\PPT\\'+i['title']+'/'+pptName[0].get_text()+'.rar')    #开始下载模板
                        print(i['title']+'type template download completed the '+str(n)+' few.'+pptName[0].get_text())
                        n += 1
                    except:
                        print(i['title']+'type download failed the '+str(n)+' few.')
                        n += 1

if __name__ == '__main__':
    headers = {'user-agent':UserAgent().random} #定义请求头
    getPPT('http://www.1ppt.com')
复制代码

效果图:

 

逻辑其实挺简单的,代码也不算复杂。

代码基本都有注释,先一起捋一遍逻辑吧,逻辑搞清楚,代码不在话下。

 

1、首先网站首页:F12—>选择某个类别(比如科技模板)右击—>检查—>查看右侧的html代码

 

发现类别的URL保存在 <div class="col_nav" i_nav clearfix下的 <li> 标签里的 <a> 标签的 href 属性值中

于是想到用 BeautifulSoup 库的 find() 方法和 select() 方法

 

2、进入类别界面

同样:F12—>选择某个PPT(例如第一个)右击—>检查—>查看右侧html代码

照葫芦画瓢,继续获取进入下载界面的URL,方法同上

但在此页面需要注意的是,下边有选页标签:

我暂时没有想到准确获取一共有多少页的方式,所以我在此代码中选择用range()函数来假设每个类别都有14页,然后再进行一步判断,看返回的http状态码是否为200。

 

3、进入具体PPT的下载界面

与上操作相同,获取最终PPT的下载URL

我在此代码中选择用 urllib 库来进行下载,最终将相对应类别的PPT放置同一文件夹中。

文件夹操作我是调用 os 库,具体代码还是往上翻一翻吧。

 

具体流程就这么几步了,剩下的就是循环 循环 再循环......

循环语句写好,就大功告成了!一起努力。

相关教程