Python怎么爬取某网站文档数据

这篇文章主要介绍"Python怎么爬取某网站文档数据"，在日常操作中，相信很多人在Python怎么爬取某网站文档数据问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答"Python怎么爬取某网站文档数据"的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

基本开发环境

Python 3.6

Pycharm

相关模块的使用

import osimport requestsimport timeimport reimport jsonfrom docx import Documentfrom docx.shared import Cm

安装Python并添加到环境变量，pip安装需要的相关模块即可。

Python爬虫、数据分析、网站开发等案例教程视频免费在线观看

https://space.bilibili.com/523606542

Python学习交流群：1039649593

目标网页分析

网站的文档内容，都是以图片形式存在的。它有自己的数据接口

接口链接：

https://openapi.book118.com/getPreview.html?&project_id=1&aid=272112230&t=f2c66902d6b63726d8e08b557fef90fb&view_token=SqX7ktrZ_ZakjDI@vcohcCwbn_PLb3C1&page=1&callback=jQuery18304186406662159248_1614492889385&_=1614492889486

接口的请求参数

整体思路

• 请求网页返回response数据（字符串）

• 通过re模块匹配提取中间的数据（列表）索引取0（字符串）

• 通过json模块是把提取出来的数据转换成json模块

• 通过遍历获取每张图片的url地址

• 保存图片到本地文件夹

• 把图片保存到word文档

• 爬虫代码实现

爬虫代码实现

def download():    content = 0    for page in range(1, 96, 6):        # 给定 2秒延时        time.sleep(2)        # 获取时间戳        now_time = int(time.time() * 1000)        url = 'https://openapi.book118.com/getPreview.html'        # 请求参数        params = {            'project_id': '1',            'aid': '272112230',            't': 'f2c66902d6b63726d8e08b557fef90fb',            'view_token': 'SqX7ktrZ_ZakjDI@vcohcCwbn_PLb3C1',            'page': f'{page}',            '_': now_time,        }        # 请求头        headers = {            'Host': 'openapi.book118.com',            'Referer': 'https://max.book118.com/html/2020/0427/8026036013002110.shtm',            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'        }        response = requests.get(url=url, params=params, headers=headers)        # 使用正则表达式提取内容        result = re.findall('jsonpReturn\((.*?)\)', response.text)[0]        # 字符串转json数据        json_data = json.loads(result)['data']        # 字典值的遍历        for value in json_data.values():            content += 1            # 拼接图片url            img_url = 'http:' + value            print(img_url)            headers_1 = {                'Host': 'view-cache.book118.com',                'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'            }            # 请求图片url地址 获取content二进制数据            img_content = requests.get(url=img_url, headers=headers_1).content            # 文件名            img_name = str(content) + '.jpg'            # 保存路径            filename = 'img\\'            # 以二进制方式保存 （图片、音频、视频等文件都是以二进制的方式保存）            with open(filename + img_name, mode='wb') as f:                f.write(img_content)

注意点：

1、一定要给延时，不然后面接口数据会请求不到。

2、请求图片url的时候headers参数需要写完整，否则保存图片是无法打开的

3、命名最好是给定数字，1.jpg、2.jpg 这样，方便后续保存到word

爬虫部分的代码还是比较简单的，没有什么特别的难度。

爬取这些文档，都是需要打印或者查询所以要把这些单张的图片都保存到word文档里面。

写入文档

def save_picture():    document = Document()    path = './img/'    lis = os.listdir(path)    c = []    for li in lis:        index = li.replace('.jpg', '')        c.append(index)    c_1 = sorted(list(map(int, c)))    print(c_1)    new_files = [(str(i) + '.jpg') for i in c_1]    for num in new_files:        img_path = path + num        document.add_picture(img_path, width=Cm(17), height=Cm(24))        document.save('tu.doc')  # 保存文档        os.remove(img_path)  # 删除保存在本地的图片

到此，关于"Python怎么爬取某网站文档数据"的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注网站，小编会继续努力为大家带来更多实用的文章！