本帖最后由 pk555157815 于 2022-12-23 23:41 编辑
起因
最近需要在某官方网站下载一些GB/T 及 GB 文件，但是该网站很多文件只提供在线预览功能，通过虚拟打印或者浏览器console的方法貌似也不能实现下载，研究了一下预览页面源码，利用Python写了个小工具来下载pdf，希望和论坛的大神交流一下思路。
预览页面源码分析
关键部分是3层结构，第2层即为每个存储每个页面内容的源码，第3层出现了名为bg 的 url 链接。
打开链接下载的图片，发现疑似将每个pdf页面进行了分割后重新排列。
只要能找到重排规律即可恢复每一页pdf内容。
pdfImg-8-0 代表切割后小图在pdf页面中的位置，应该是第0行，8列
background-position:-240px 0px 代表在分割后合成图（下称：底图）中位置。
根据网页元素分析，小图大小为119*168；
推测知 bg-position 像素Δ增量 应该为120px和169px。
知道上述定位原则后即可对底图进行分割按照重排规律进行组合，最后输出pdf文件即可。
Python代码实现
为避免侵权，只提供图片切割与重排的代码。其余部分可根据思路自行补充。
涉及的库：bs4，pillow，pandas
def ditu_cut(ditu_pic):
# ###
# 将底图切分为119*169的小图片
# :param ditu_pic:pillow.image对象
# :return:
# ###
w, h = ditu_pic.size
col, row = int(w / 120), int(h / 169)
pic_mat = pd.DataFrame(numpy.zeros((row, col)))
for i in range(col):
for j in range(row):
pic_mat.iloc[j, i] = ditu_pic.crop((i * 120, j * 169, i * 120 + 119, j * 169 + 168))
return pic_mat
def page_merge(page_pic, pic_mat, merge_pos, ditu_pos):
# '''
# 将分割的小图合并成每页pdf内容
# :param page_pic: 新建的pdf页面，大小1190*1680
# :param pic_mat: ditu_cut返回的pillow对象组成的dataframe
# :param merge_pos: 小图在pdf每页的位置即col,row
# :param ditu_pos: 小图在底图的位置，即x,y
# :return:
# '''
y, x = int(int(ditu_pos[0]) / 120), int(int(ditu_pos[1]) / 169)
col, row = int(merge_pos[0]) * 119, int(merge_pos[1]) * 168
page_pic.paste(pic_mat.iloc[x, y], (col, row))
代码怎么弄都不对，可以看图片。
备注
经过测试，该网站提供了在线预览功能的文件，均能通过此方式进行下载。
我也不太专业，如果有Bug，可以集思广益一起优化。 | 
[复制链接]
发表于 2022-12-23 23:24
|
发表于 2022-12-24 16:24
