tedelon 发表于 2022-2-25 14:46

爬取某文库收费文档的xpath用法

本帖最后由 tedelon 于 2022-2-25 14:50 编辑

原来大神有个工具“冰点下载器”被和谐了,故网上找了一个源码进行修改,出处自行问某度
原理是chromedriver控制chrome浏览器进行数据爬取的的,chromedriver的版本和chrome需要匹配
Selenium是一个用于Web应用程序测试的工具, XPath 是一门在 XML 文档中查找信息的语言
Python解释器,3.8版本基于windows
1、主要修改xpath路径,
2、修改点击加载全文的弹框


import os
import time

from selenium import webdriver
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
from scrapy import Selector
import requests
from my_fake_useragent import UserAgent
import docx
from docx.shared import Inches
import cv2
from pptx import Presentation
from pptx.util import Inches

#windows的chromedriver
chromedriver_path = "./chromedriver.exe"

doc_dir_path = "./doc"
ppt_dir_path = "./ppt"

#要爬取的文档路径

#url = "https://wenku.xxxxx.com/view/4cd8f50a0229bd64783e0912a216147917117ee3.html"
url = "https://wenku.xxxxx.com/view/feacc16b2ec58bd63186bceb19e8b8f67d1cef25.html?fr=income2-doc-search"


class DownloadImg():
    def __init__(self):
      self.ua = UserAgent()

    def download_one_img(self, img_url, saved_path):
      # 下载图片
      header = {
            "User-Agent": "{}".format(self.ua.random().strip()),
            'Connection': 'close'}
      r = requests.get(img_url, headers=header, stream=True)
      print("请求图片状态码 {}".format(r.status_code))# 返回状态码
      if r.status_code == 200:# 写入图片
            with open(saved_path, mode="wb") as f:
                f.write(r.content)
            print("download {} success!".format(saved_path))
      del r
      return saved_path


class StartChrome():
    def __init__(self):
      mobile_emulation = {"deviceName": "Galaxy S5"}
      capabilities = DesiredCapabilities.CHROME
      capabilities['loggingPrefs'] = {'browser': 'ALL'}
      options = webdriver.ChromeOptions()
      options.add_experimental_option("mobileEmulation", mobile_emulation)
      self.brower = webdriver.Chrome(executable_path=chromedriver_path, desired_capabilities=capabilities,chrome_options=options)
      # 启动浏览器,打开需要下载的网页
      self.brower.get(url)
      self.download_img = DownloadImg()

    def click_ele(self, click_xpath):
      # 单击指定控件
      click_ele = self.brower.find_elements_by_xpath(click_xpath)
      if click_ele:
            click_ele.location_once_scrolled_into_view# 滚动到控件位置
            self.brower.execute_script('arguments.click()', click_ele)# 单击控件,即使控件被遮挡,同样可以单击

    def judge_doc(self, contents):
      # 判断文档类别
      p_list = ''.join(contents.xpath("./text()").extract())
      span_list = ''.join(contents.xpath("./span/text()").extract())

      if len(span_list)!=len(p_list):
            xpath_content_one = "./br/text()|./span/text()|./text()"
      else:
            xpath_content_one = "./span/img/@src"
      return xpath_content_one

    def create_ppt_doc(self, ppt_dir_path, doc_dir_path):
      # 点击关闭开通会员按钮
      xpath_close_button = "//div[@class='na-dialog-wrap show']/div/div/div[@class='btn-close']"
      self.click_ele(xpath_close_button)      
      # 点击继续阅读
      xpath_continue_read_button = "//div[@class='foldpagewg-icon']"
      self.click_ele(xpath_continue_read_button)
      # 点击取消打开百度app按钮
      xpath_next_content_button = "//div[@class='btn-wrap']/div[@class='btn-cancel']"
      self.click_ele(xpath_next_content_button)
      time.sleep(2.5)
      #点击取消去app查看全文
      xpath_next_content_button_1 = "//div[@class='wui-messagebox-wrap goto-app-baidu']/div[@class='inner-wrap']/div[@class='btns-wrap']/div[@class='btn-cancel']"
      self.click_ele(xpath_next_content_button_1)
      time.sleep(2.5)
      xpath_next_content_button_2 = "//*[@id='app']/div/div[@class='fold-pager']/div/div/div[@class='pagerwg-button']"
      self.click_ele(xpath_next_content_button_2)      
      self.click_ele("//div[@class='wui-messagebox-wrap']/div[@class='inner-wrap']/div[@class='btns-wrap']/div[@class='btn-cancel']")
      #循环点击加载更多按钮,直到显示全文
      click_count = 0
      while True:
            # 如果到了最后一页就跳出循环
            if self.brower.find_elements_by_xpath("//div[@class='pagerwg-loadSucc hide']") or self.brower.find_elements_by_xpath("//div[@class='pagerwg-button' and @style='display: none;']"):
                break
            # 点击加载更多
            xpath_loading_more_button = "//span[@class='pagerwg-arrow-lower']"
            self.click_ele(xpath_loading_more_button)
            # 点击取消打开百度app按钮
            xpath_next_content_button = "//div[@class='btn-wrap']/div[@class='btn-cancel']"
            self.click_ele(xpath_next_content_button)
            time.sleep(2.5)
            #点击取消去app查看全文
            xpath_next_content_button_1 = "//div[@class='wui-messagebox-wrap goto-app-baidu']/div[@class='inner-wrap']/div[@class='btns-wrap']/div[@class='btn-cancel']"
            self.click_ele(xpath_next_content_button_1)
            xpath_next_content_button_3 = "//*[@id='app']/div/div[@class='fold-pager']/div/div/div[@class='pagerwg-button']"
            self.click_ele(xpath_next_content_button_3)
            click_count += 1
            print("第{}次点击加载更多!".format(click_count))
            # 等待一秒,等浏览器加载
            time.sleep(2.5)

      # 获取html内容
      sel = Selector(text=self.brower.page_source)
      #判断文档类型
      # xpath_content = "//div[@class='content singlePage wk-container']/div/p/img/@data-loading-src|//div[@class='content singlePage wk-container']/div/p/img/@data-src"
      xpath_content = "//*[@id='reader-container']/div[@class='retype-page']/div/p/img/@data-loading-src|//div[@class='content singlePage wk-container']/div/p/img/@data-src"

      contents = sel.xpath(xpath_content).extract()
      if contents:#如果是ppt
            self.create_ppt(ppt_dir_path, sel)
      else:#如果是doc
            self.create_doc(doc_dir_path, sel)
      # a = 3333
      # return sel

    def create_ppt(self, ppt_dir_path, sel):
      # 如果文件夹不存在就创建一个
      if not os.path.exists(ppt_dir_path):
            os.makedirs(ppt_dir_path)

      SLD_LAYOUT_TITLE_AND_CONTENT = 6# 6代表ppt模版为空
      prs = Presentation()# 实例化ppt

      # # 获取完整html
      #sel = self.get_html_data()
      # 获取标题
      xpath_title = "//div[@class='doc-title']/span/text()"
      title = "".join(sel.xpath(xpath_title).extract()).strip()
      print(title)
      # 获取内容
      xpath_content_p = "//*[@id='reader-container']/div[@class='retype-page']/div/p/img"
      xpath_content_p_list = sel.xpath(xpath_content_p)
      xpath_content_p_url_list=[]
      for imgs in xpath_content_p_list:
            xpath_content = "./@data-loading-src|./@data-src|./@src"
            contents_list = imgs.xpath(xpath_content).extract()
            xpath_content_p_url_list.append(contents_list)

      img_path_list = []# 保存下载的图片路径,方便后续图片插入ppt和删除图片
      # 下载图片到指定目录
      for index, content_img_p in enumerate(xpath_content_p_url_list):
            p_img_path_list=[]
            for index_1,img_one in enumerate(content_img_p):
                one_img_saved_path = os.path.join(ppt_dir_path, "{}_{}.jpg".format(index,index_1))
                self.download_img.download_one_img(img_one, one_img_saved_path)
                p_img_path_list.append(one_img_saved_path)

            p_img_max_shape = 0
            for index,p_img_path in enumerate(p_img_path_list):
                img_shape = cv2.imread(p_img_path).shape
                if p_img_max_shape<img_shape:
                  p_img_max_shape = img_shape
                  index_max_img = index
            img_path_list.append(p_img_path_list)


      print(img_path_list)
      # 获取下载的图片中最大的图片的尺寸
      img_shape_max=
      for img_path_one in img_path_list:
            img_path_one_shape = cv2.imread(img_path_one).shape
            if img_path_one_shape>img_shape_max:
                img_shape_max = img_path_one_shape
      # 把图片统一缩放最大的尺寸
      for img_path_one in img_path_list:
            cv2.imwrite(img_path_one,cv2.resize(cv2.imread(img_path_one),(img_shape_max,img_shape_max)))
      # img_shape_path = img_path_list
      # 获得图片的尺寸
      # img_shape = cv2.imread(img_shape_path).shape
      # 把像素转换为ppt中的长度单位emu,默认dpi是720
      # 1厘米=28.346像素=360000
      # 1像素 = 12700emu
      prs.slide_width = img_shape_max * 12700# 换算单位
      prs.slide_height = img_shape_max * 12700

      for img_path_one in img_path_list:
            left = Inches(0)
            right = Inches(0)
            # width = Inches(1)
            slide_layout = prs.slide_layouts
            slide = prs.slides.add_slide(slide_layout)
            pic = slide.shapes.add_picture(img_path_one, left, right, )
            print("insert {} into pptx success!".format(img_path_one))
            # os.remove(img_path_one)

      for root,dirs,files in os.walk(ppt_dir_path):
            for file in files:
                if file.endswith(".jpg"):
                  img_path = os.path.join(root,file)
                  os.remove(img_path)

      prs.save(os.path.join(ppt_dir_path, title + ".pptx"))
      print("download {} success!".format(os.path.join(ppt_dir_path, title + ".pptx")))

    def create_doc(self, doc_dir_path, sel):
      # 如果文件夹不存在就创建一个
      if not os.path.exists(doc_dir_path):
            os.makedirs(doc_dir_path)
      # # 获取完整html
      # sel = self.get_html_data()
      # 获取标题
      xpath_title = "//div[@class='doc-title']/text()"
      title = "".join(sel.xpath(xpath_title).extract()).strip()

      document = docx.Document()# 创建word文档
      document.add_heading(title, 0)# 添加标题

      # 获取文章内容
      xpath_content = "//div//p"
      # xpath_content = "//div/p"
      contents = sel.xpath(xpath_content)
      # 判断内容类别
      xpath_content_one = self.judge_doc(contents)
      if xpath_content_one.endswith("text()"):# 如果是文字就直接爬
            for content_one in contents:
                one_p_list = content_one.xpath(xpath_content_one).extract()
                p_txt = ""
                for p in one_p_list:
                  if p==" ":
                        p_txt += ('\n'+p)
                  else:
                        p_txt += p
                # content_txt_one = '*'.join(content_one.xpath(xpath_content_one).extract())
                pp = document.add_paragraph(p_txt)
            document.save(os.path.join(doc_dir_path, '{}.docx'.format(title)))
            print("download {} success!".format(title))
      elif xpath_content_one.endswith("@src"):# 如果是图片就下载图片
            for index, content_one in enumerate(contents.xpath(xpath_content_one).extract()):
                # 获取图片下载路径
                content_img_one_url = 'https:' + content_one
                # 保存图片
                saved_image_path = self.download_img.download_one_img(content_img_one_url, os.path.join(doc_dir_path,
                                                                                                      "{}.jpg".format(
                                                                                                            index)))
                document.add_picture(saved_image_path, width=Inches(6))# 在文档中加入图片
                os.remove(saved_image_path)# 删除下载的图片
            document.save(os.path.join(doc_dir_path, '{}.docx'.format(title)))# 保存文档到指定位置
            print("download {} success!".format(title))


if __name__ == '__main__':
    start_chrome = StartChrome()
    start_chrome.create_ppt_doc(ppt_dir_path, doc_dir_path)

IsMe9666 发表于 2022-2-25 18:27

需要哪几个库呢

gxsky 发表于 2022-5-18 10:48

不会用,出现一下错误怎么解决?谢谢

Traceback (most recent call last):
File "E:/mypython/某度文库.py", line 4, in <module>
    from selenium import webdriver
ModuleNotFoundError: No module named 'selenium'

lcjok92021 发表于 2022-2-25 19:15

感谢分享,辛苦啦{:1_893:}

浓茶 发表于 2022-2-25 19:22

能否打包成exe文件也能发布呀?

wwwp2p 发表于 2022-2-25 19:37

学习了,受益匪浅。

aa361328 发表于 2022-2-25 19:49

学习一下~

gl5656 发表于 2022-2-25 20:39

感谢,学习了!

神秘伞 发表于 2022-2-25 21:05

已经收藏,感谢分享!

南归不NG 发表于 2022-2-26 14:20

yu17863200980 发表于 2022-2-25 18:27
需要哪几个库呢

库都写在了前面

51895991 发表于 2022-2-26 21:25

你好,可以WX讨论下吗
页: [1] 2 3
查看完整版本: 爬取某文库收费文档的xpath用法