python爬虫遇到爬取文件内容时,需要一页页的翻页爬取,这样很是麻烦,其实可以获取每个列表信息下的文件名和文件链接,让文件名和文件链接处理为列表,保存后下载,实现智能翻页批量下载文件,本文以以京客隆为例,批量下载文件,如财务资料,他的每一份报告都是一份pdf格式的文档。以此页面为目标,下载他每个分类的文件python爬虫实战之智能翻页批量下载文件。
1、引入库
import requests import pandas as pd from lxml import etree import re import os
2、解析初始页面
baseUrl ='http://www.jkl.com.cn/cn/invest.aspx' # 爬取页面的数据 heade ={ 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.92 Safari/537.36' } res =requests.get(url=baseUrl,headers=heade).text # print(res.text) html = etree.HTML(res) res =requests.get(url=baseUrl,headers=heade).text # 设置变量接受 基础页的响应数据 # print(res.text) html = etree.HTML(res)
3、获得投资关系的分类名称和url地址
data_name = html.xpath('//div[@class="infoLis"]//a/text()') # 投资者列表的名字 data_link = html.xpath('//div[@class="infoLis"]//@href') # 全部列表的链接 name = [data_name.strip() for data_name in data_name] # 通过for循环去掉空字符 link = ['http://www.jkl.com.cn/cn/'+ data_link for data_link in data_link] # 拼接字符串 # 合并为字典,方便保存文件 file = dict(zip(name,link))
4、每个列表信息,保存一个文件夹
for name,link in file.items(): name=name.replace('/','.') name=name.replace('...','报表') # 上面的把文件名带特许字符的 强制转换为我们想要的文本类型 path = 'E:/'+ name if not os.path.exists(path): os.mkdir(path) #建立储存位置
5、对列表的每个项目链接进行解析,拿到尾页
res_list = requests.get(url = link, headers = heade).text list_html = etree.HTML(res_list) # print(html_erJi) 解析每个分类的链接 weiYe = list_html.xpath('//a[text()="尾页"]/@href') # print(html_weiye) # 拿到尾页信息 if weiYe !=[]: # 正则提取尾页信息 get_weiYe =re.search("(\d+)'\)",html_weiye[0]) get_yeMa = get_html_weiYe.group(1) else: get_yeMa=1 # print(get_html_yeMa) 看看是不是提取成功
6、获取每个列表信息下的文件名和文件链接
for get_yeMa in range(1,int(get_yeMa)+1): # 翻页 yaMa= { '__EVENTTARGET': 'AspNetPager1', '__EVENTARGUMENT': get_yeMa } get_lei_html = requests.get(url = link, headers = heade, params = yaMa).text res3 =etree.HTML(get_lei_html) # print(res3) pdf_name = res3.xpath('//div[@class="newsLis"]//li/a/text()') # print(pdf_name) pdf_url = res3.xpath('//div[@class="newsLis"]//li//@href')
7、让文件名和文件链接处理为列表,保存后下载
pdf_names = [pdf_name.strip() for pdf_name in pdf_name] # print(pdf_names) if all(pdf_url): pdf_urls = ['http://www.jkl.com.cn'+pdf_url for pdf_url in pdf_url] # print(pdf_url) pdf_data=dict(zip(pdf_names,pdf_urls)) # pdf地址和名字整合为字典 for pdfName,pdfUrl in pdf_data.items(): pdfName =pdfName.replace('/','.') res_pdf= requests.get(url =pdfUrl,headers=heade).content houZui = pdfUrl.split('.')[-1] pdf_pash = path + '/' + pdfName + '.'+ houZui # # print(pdf_pash) with open(pdf_pash,'wb') as f: f.write(res_pdf) print(pdfName,'下载成功')
华山资源网 Design By www.eoogi.com
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
华山资源网 Design By www.eoogi.com
暂无评论...
更新日志
2024年11月20日
2024年11月20日
- 张学友《世纪10星·永恒篇》香港版[WAV+CUE][1G]
- 模拟之声慢刻CD《刘德海.琵琶独奏精逊【低速原抓WAV+CUE】
- Jamettone-18052023—improv(EDit)(2024)【FLAC】
- 【索尼精芽20首最棒的苏格兰歌曲集【FLAC】
- 池约翰C.J《少年白马醉春风2 动画原声带》[320K/MP3][26.67MB]
- 池约翰C.J《少年白马醉春风2 动画原声带》[FLAC/分轨][144.13MB]
- 陈致逸《幻想乐园 Fantasyland》[320K/MP3][120.54MB]
- 席卷全球最红舞曲《火辣辣DJ[英文版]》[DTS-WAV]
- 群星-席卷全球最红舞曲《火辣辣DJ中文版》【WAV】
- 模拟之声慢刻CD《声入人心[年度发烧人声严选]》[低速原抓WAV+CUE]
- 陈致逸《幻想乐园 Fantasyland》[FLAC/分轨][554.27MB]
- Rhymist / LusciousBB《年轮》[320K/MP3][76.52MB]
- Rhymist / LusciousBB《年轮》[FLAC/分轨][410.02MB]
- 群星《歌手2024 第11期》[320K/MP3][93.88MB]
- 群星《歌手2024 第11期》[FLAC/分轨][496.06MB]