ccbynow 发表于 2018-7-17 15:09

百度文库API免费下载百度文库收费资料(DOC|PPT|TXT|PDF)

本帖最后由 ccbynow 于 2018-7-17 15:38 编辑

这里还有更多接口,请移步https://github.com/Jack-Cherish/python-spiderimport requests
import re
import argparse
import sys
import json
import os


parser = argparse.ArgumentParser()
parser.add_argument("url", help="Target Url,你所需要文档的URL",type=str)
parser.add_argument('type', help="Target Type,你所需要文档的的类型(DOC|PPT|TXT|PDF)",type=str)
args = parser.parse_args()

url = args.url
type = args.type

#根据文件决定函数
y = 0
def DOC(url):
    doc_id = re.findall('view/(.*).html', url)
    html = requests.get(url).text
    lists=re.findall('(https.*?0.json.*?)\\\\x22}',html)
    lenth = (len(lists)//2)
    NewLists = lists[:lenth]
    for i in range(len(NewLists)) :
      NewLists = NewLists.replace('\\','')
      txts=requests.get(NewLists).text
      txtlists = re.findall('"c":"(.*?)".*?"y":(.*?),',txts)
      for i in range(0,len(txtlists)):
            global y
            print(txtlists.encode('utf-8').decode('unicode_escape','ignore'))
            if y != txtlists:
                y = txtlists
                n = '\n'
            else:
                n = ''
            filename = doc_id + '.txt'
            with open(filename,'a',encoding='utf-8') as f:
                f.write(n+txtlists.encode('utf-8').decode('unicode_escape','ignore').replace('\\',''))
      print("文档保存在"+filename)




def PPT(url):
    doc_id = re.findall('view/(.*).html',url)
    url = "https://wenku.baidu.com/browse/getbcsurl?doc_id="+doc_id+"&pn=1&rn=99999&type=ppt"
    html = requests.get(url).text
    lists=re.findall('{"zoom":"(.*?)","page"',html)
    for i in range(0,len(lists)):
      lists = lists.replace("\\",'')
    try:
      os.mkdir(doc_id)
    except:
      pass
    for i in range(0,len(lists)):
      img=requests.get(lists).content
      with open(doc_id+'\img'+str(i)+'.jpg','wb') as m:
            m.write(img)
    print("PPT图片保存在" + doc_id +"文件夹")

def TXT(url):
    doc_id = re.findall('view/(.*).html', url)
    url = "https://wenku.baidu.com/api/doc/getdocinfo?callback=cb&doc_id="+doc_id
    html = requests.get(url).text
    md5 = re.findall('"md5sum":"(.*?)"',html)
    pn = re.findall('"totalPageNum":"(.*?)"',html)
    rsign = re.findall('"rsign":"(.*?)"',html)
    NewUrl = 'https://wkretype.bdimg.com/retype/text/'+doc_id+'?rn='+pn+'&type=txt'+md5+'&rsign='+rsign
    txt = requests.get(NewUrl).text
    jsons = json.loads(txt)
    texts=re.findall("'c': '(.*?)',",str(jsons))
    print(texts)
    filename=doc_id+'.txt'
    with open(filename,'a',encoding='utf-8') as f:
      for i in range(0,len(texts)):
            texts = texts.replace('\\r','\r')
            texts = texts.replace('\\n','\n')

            f.write(texts)
    print("文档保存在" + filename)

def PDF(url):
    doc_id = re.findall('view/(.*).html',url)
    url = "https://wenku.baidu.com/browse/getbcsurl?doc_id="+doc_id+"&pn=1&rn=99999&type=ppt"
    html = requests.get(url).text
    lists=re.findall('{"zoom":"(.*?)","page"',html)
    for i in range(0,len(lists)):
      lists = lists.replace("\\",'')
    try:
      os.mkdir(doc_id)
    except:
      pass
    for i in range(0,len(lists)):
      img=requests.get(lists).content
      with open(doc_id+'\img'+str(i)+'.jpg','wb') as m:
            m.write(img)
    print("FPD图片保存在" + doc_id + "文件夹")


if __name__ == "__main__":
    try:
      print("""
###Athor:52pojie
###TIPS:PDF|PPT只能下载图片
      """)
      eval(type.upper())(url)
    except:
      print("获取出错,可能URL错误\n使用格式name.exe url type\n请使用--help查看帮助")

iptver 发表于 2018-11-26 08:48

zlab 发表于 2018-11-14 18:29
应该是把百度文库显示的内容下载后再加工的思路,无法搞到原始文件,不过也比自己手工保存图片什么的方便多 ...

感谢提醒, 看了代码应该是这样, 如果这样的话意义就不大了,刚开始还以为能获取原始文档呢

obeina 发表于 2018-7-17 15:37

菜鸟表示有源码也不知道怎么用。

夏无道 发表于 2018-7-17 15:39

所以不是源文档?

秋枫华年 发表于 2018-7-17 15:42

看不懂源码的菜鸡只好膜拜大佬

Cmilyci 发表于 2018-7-17 15:44

+1+1
不会编程,有源码也没啥用

zhangzhimingde 发表于 2018-7-17 16:05

厉害了,收藏下。

凉99 发表于 2018-7-17 16:15

支持一下

eing888 发表于 2018-7-17 16:17


+1+1
不会编程,有源码也没啥用

jim19 发表于 2018-7-17 16:20

不会编程,有源码也没啥用

laoda1228 发表于 2018-7-17 16:24

知道这个东西以后怎么用呢?
页: [1] 2 3 4 5 6 7 8 9 10
查看完整版本: 百度文库API免费下载百度文库收费资料(DOC|PPT|TXT|PDF)