我用 Python 抓取了 7000 多本電子書

頭兩天神遊網上，無心間發現個能夠免費下載電子書的網站，一會兒就勾起了個人收藏癖，心癢癢的要把這些書下載下來，正好前不久 requests 的做者 kennethreitz 出了一個新庫 requests-html ，它不只能夠請求網頁，還能夠解析 HTML 文檔，話很少說，咱開始吧。

安裝

安裝很簡單，只要執行：

pip install requests-html

就能夠了。

分析頁面結構

經過瀏覽器審查元素能夠發現這個電子書網站是用 WordPress 搭建的，首頁列表元素很簡單，很規整，

因此咱們能夠查找 .entry-title > a 獲取全部圖書詳情頁的連接，接着咱們進入詳情頁，來尋找下載連接，由下圖

能夠發現 .download-links > a 裏的連接就是該書的下載連接，回到列表頁能夠發現該站一共 700 多頁，由此咱們即可以循環列表獲取全部的下載連接。

Requests-html 快速指南

發送一個 GET 請求：

from requests_html import HTMLSession
session = HTMLSession()

r = session.get('https://python.org/')

Requests-html 的方便之處就是它解析 html 方式就像使用 jQuery 同樣簡單，好比：

# 獲取頁面的全部連接能夠這樣寫：
r.html.links
# 會返回 {'//docs.python.org/3/tutorial/', '/about/apps/'}

# 獲取頁面的全部的絕對連接：
r.html.absolute_links
# 會返回 {'https://github.com/python/pythondotorg/issues', 'https://docs.python.org/3/tutorial/'}

# 經過 CSS 選擇器選擇元素：
about = r.find('.about', first=True)
# 參數 first 表示只獲取找到的第一元素
about.text # 獲取 .about 下的全部文本
about.attrs # 獲取 .about 下全部屬性像 id, src, href 等等
about.html # 獲取 .about 的 HTML
about.find('a') # 獲取 .about 下的全部 a 標籤

構建代碼

from requests_html import HTMLSession
import requests
import time
import json
import random
import sys

session = HTMLSession()
list_url = 'http://www.allitebooks.com/page/'

USER_AGENTS = [
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
    "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
    "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
    "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
    "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
]

# 獲取當前列表頁全部圖書連接
def get_list(url):
    response = session.get(url)
    all_link = response.html.find('.entry-title a') # 獲取頁面全部圖書詳情連接
    for link in all_link:
        getBookUrl(link.attrs['href'])

# 獲取圖書下載連接
def getBookUrl(url):
    response = session.get(url)
    l = response.html.find('.download-links a', first=True)
    if l is not None: # 運行後發現有的個別頁面沒有下載連接，這裏加個判斷
        link = l.attrs['href'];
        download(link)

#下載圖書
def download(url):
    # 隨機瀏覽器 User-Agent
    headers={ "User-Agent":random.choice(USER_AGENTS) }
    # 獲取文件名
    filename = url.split('/')[-1]
    # 若是 url 裏包含 .pdf
    if ".pdf" in url:
        file = 'book/'+filename # 文件路徑寫死了，運行時當前目錄必須有名 book 的文件夾
        with open(file, 'wb') as f:
            print("正在下載 %s" % filename)
            response = requests.get(url, stream=True, headers=headers)
            
            # 獲取文件大小
            total_length = response.headers.get('content-length')
            # 若是文件大小不存在，則直接寫入返回的文本
            if total_length is None: 
                f.write(response.content)
            else:
                # 下載進度條
                dl = 0
                total_length = int(total_length) # 文件大小
                for data in response.iter_content(chunk_size=4096): # 每次響應獲取 4096 字節
                    dl += len(data)
                    f.write(data)
                    done = int(50 * dl / total_length)
                    sys.stdout.write("\r[%s%s]" % ('=' * done, ' ' * (50-done)) ) # 打印進度條   
                    sys.stdout.flush()

            print(filename + '下載完成！')

if __name__ == '__main__':
    #從這運行，應爲知道列表總數，因此偷個懶直接開始循環
    for x in range(1,756):
        print('當前頁面: '+ str(x))
        get_list(list_url+str(x))

運行效果：

公衆號

個人公衆號喔噢實驗室，歡迎交流~