溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
本文實例講述了Python實現的爬取百度文庫功能。分享給大家供大家參考，具體如下：
# -*- coding: utf-8 -*-
from selenium import webdriver
from bs4 import BeautifulSoup
from docx import Document
from docx.enum.text import WD_ALIGN_PARAGRAPH# 用來居中顯示標題
from time import sleep
from selenium.webdriver.common.keys import Keys
# 瀏覽器安裝路徑
#BROWSER_PATH=\'C:\Users\Administrator\AppData\Local\Google\Chrome\Application\chromedriver.exe'
#目的URL
DEST_URL='https://wenku.baidu.com/view/aa31a84bcf84b9d528ea7a2c.html'
#用來保存文檔
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): # 得到標題
title_result = soup1.find('div', attrs={'class': 'doc-title'})
doc_title = title_result.get_text() # 得到文檔標題
# 拖動滾動條
init_page = driver.find_element_by_xpath( "http://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( "http://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( "http://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:
#結束條件
print("找不到元素")
stop_condition = True
#next_page.send_keys(Keys.ENTER)
# 遍歷所有的txt標簽標定的文檔，將其空格刪除，然后進行保存
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)
# 得到正文內容
sleep(2) # 防止頁面加載過慢
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 # 居中顯示
for each in doc_content_list:
document.add_paragraph(each)
# 處理字符編碼問題
t_title = doc_title.split()[0]
#print(t_title)
#document.save('2.docx')
document.save('百度文庫-%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()
更多關于Python相關內容可查看本站專題：《Python Socket編程技巧總結》、《Python正則表達式用法總結》、《Python數據結構與算法教程》、《Python函數使用技巧總結》、《Python字符串操作技巧匯總》、《Python入門與進階經典教程》及《Python文件與目錄操作技巧匯總》
希望本文所述對大家Python程序設計有所幫助。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
