Python批量爬虫下载PDF文件代码实现

阿黎逸阳

发布于 2023-08-21 19:13:48

2.2K0

发布于 2023-08-21 19:13:48

文章被收录于专栏：阿黎逸阳的代码

本文的背景是：大学关系很好的老师问我能不能把Excel中1000个超链接网址对应的pdf文档下载下来。

虽然可以手动一个一个点击下载，但是这样太费人力和时间了。我想起了之前的爬虫经验，给老师分析了一下可行性，就动手实践了。

没想到刚开始就遇到了困难，Excel中的超链接读到Python中直接显示成了中文。

所以第一步就是把超链接对应的网址梳理出来，再用Python去爬取对应网址的pdf。

第一步已经在上一篇文章中进行了详细说明，本文分享批量爬虫下载文件的第二步，详细代码介绍。

一、读取数据

首先读取数据，代码如下：

import os 
import numpy as np 
import pandas as pd 

#设置文件存放的地址
os.chdir(r'F:\老师\下载文件')
#读取数据
link_date = pd.read_csv('import.csv',encoding='gbk')
link_date.head(2)

得到结果：

二、模拟登录网址点击下载pdf的按钮

接着模拟使用Chrome浏览器登录，用代码打开第一个网址，并模拟人进行点击下载，具体代码如下：

import json
import time
import random
from captcha import * 
from datetime import datetime
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support import wait
from selenium.webdriver.common.keys import Keys
from selenium.common.exceptions import NoSuchElementException
from selenium.webdriver.common.action_chains import ActionChains
from selenium.webdriver.support import expected_conditions as EC
#导入库

print('程序开始时间：', datetime.now().strftime("%Y-%m-%d %H:%M:%S"))
#模拟使用Chrome浏览器登陆
options = webdriver.ChromeOptions()
options.add_argument("--disable-blink-features=AutomationControlled")  
driver =  webdriver.Chrome(options=options)
driver.implicitly_wait(10)
#打开搜索页
driver.get(link_date['网址'][0])
time.sleep(20)  # 暂停20s
#点击下载pdf的按钮
driver.find_element_by_xpath('//*[@id="mdiv"]/div[3]/div[2]/a').click()

打开的网址如下图，左击最右边红框中的三个点，左击【更多工具】，将鼠标移至【开发者工具】并左击，即可看到下图右边展示栏。

接着左击红框中的箭头，将鼠标移至最左边红框中的pdf上并左击，可看到右边红框中href对应的模块。

右击该模块，左击【Copy】，再左击【Copy Xpath】即可得到driver.find_element_by_xpath中的路径。

三、写循环批量下载所有文件

写循环批量下载所有文件，最简单的方式是遍历所有网址，模拟点击下载pdf，代码如下：

for i in range(0,1000):
    print(i)
    #打开搜索页
    driver.get(link_date['超链接'][i])
    time.sleep(20)  # 暂停20s
    driver.find_element_by_xpath('//*[@id="mdiv"]/div[3]/div[2]/a').click()

但是这个代码有一个问题，一旦有一个网址出现意外，容易代码中断，会得到如下报错：

这时需要人为看已经下载到哪一个文件了，然后调整range中的数值接着下载。

如果不想盯着代码，可以写成try的模式，在lab中记录已经下载的标签。如果碰到意外，直接跳到下一个网址，全量下载完后，再梳理哪个网址没有下载，具体语句如下：

lab = []
for i in range(1, 1000):
    try:
        print(i)
        #打开搜索页
        driver.get(link_date['网址'][i])
        time.sleep(20)  # 暂停20s
        driver.find_element_by_xpath('//*[@id="mdiv"]/div[3]/div[2]/a').click()
        lab.append(i)
    except:
        pass

最终得到下载结果如下：