爬取某度文本

import requests
import re
from json import loads
import os
from tqdm import tqdm


class Baidu(object):
    def __init__(self):

        self.headers = {
            'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.120 Mobile Safari/537.36'
        }
        self.rtcs_flag = '3'
        self.rtcs_ver = '3'
        self.base_url = 'http://wkrtcs.bdimg.com/rtcs/webapp'
        self.base_img = 'https://wkrtcs.bdimg.com/rtcs/image'
        self.flag = False  #是否下载图片
        self.cout = 1

    def get_info(self, url):
        try:
            r = requests.get(url, headers=self.headers).content.decode()
        except Exception:
            print('编码错误,切换编码!')
            r = requests.get(url, headers=self.headers).content.decode('gbk')
        self.bucketNum = re.findall('"bucketNum":(\d+),', r)[0]
        self.sign = re.findall('&sign=(.*?)&', r)[0]
        self.rsign = re.findall('"rsign":"(.*?)",', r)[0]
        self.md5sum = re.findall('&md5sum=(.*?)&', r)[0]
        self.page_list = re.findall('"rtcs_range_info":(.*),"rtcs_flow"', r)[0]
        self.page_count = re.findall('"rtcs_page_count":(.*?),', r)[0]
        self.firstpageurl = re.findall('data-firstpageurl="(.*?)"', r)[0].replace('amp;', '')
        print(self.firstpageurl)
        try:
            self.name = re.findall('<title>(.*?)</title>', r)[0].strip()
        except Exception:
            self.name = '百度文库'
        if not os.path.exists(self.name):
            os.mkdir(self.name)
        self.path = self.name + '/'

    # 解析翻页参数
    def parse(self):
        print('页数:', self.page_count)
        page_dics = loads(self.page_list)
        print('page_dicts:',page_dics)
        if int(self.page_count) >= 2:
            #self.get_first()
            pn = 1
            for r in page_dics:  # 进度条
                a = r.get('range')
                pn = r.get('page')
                try:
                    self.get_pages(pn, a)
                except Exception:
                    print('解析错误')
                if pn > int(self.page_count):
                    break
        else:
            self.get_first()


    # 翻页写入文本
    def get_pages(self, pn, ranges):
        dic = {
            'bucketNum': self.bucketNum,
            'pn': pn,
            'rn': 1,
            'md5sum': self.md5sum,
            'sign': self.sign,
            'rtcs_flag': self.rtcs_flag,
            'rtcs_ver': self.rtcs_ver,
            'range': ranges,
            'rsign': self.rsign
        }
        print('pn:', pn, 'a:', ranges)
        strhtml = requests.get(self.base_url, params=dic, headers=self.headers)
        # print(strhtml.apparent_encoding)
        # print(strhtml.encoding)
        page = strhtml.text[5:-1]
        # print('page:', page)
        b = loads(page)
        # b = page
        # print('b:', b)
        a = ''
        for i in b['document.xml']:
            print(i)
            for m in i['c']:
                a += '\n'
                for n in m['c']:
                    # print(n)
                    try:
                        if isinstance(n['c'], str):
                            a += n['c']
                            # print(a)
                    except Exception:
                        pass
        if pn == 1:
            with open(self.path + self.name + '.txt', 'w', encoding='utf-8') as f:
                # print('a:',a)
                f.write(a)
        else:
            with open(self.path + self.name + '.txt', 'a', encoding='utf-8') as f:
                # print('a:',a)
                f.write(a)

    # 解析第一页
    def get_first(self):
        print(self.firstpageurl)
        first_page = requests.get(url=self.firstpageurl, headers=self.headers).text[32:-1]
        b = loads(first_page)
        # print(b)
        a = ''
        for i in tqdm(b['document.xml']):
            for m in i['c']:
                a += '\n'
                for n in m['c']:
                    try:
                        if isinstance(n['c'], str):
                            a += n['c']
                    except Exception:
                        pass
        with open(self.path + self.name + '.txt', 'w', encoding='utf-8') as f:
            f.write(a)
        print('第一页解析完成!!!')

    # 下载图片
    def down_img(self, cout, num):
        data = {
            'md5sum': self.md5sum,
            'sign': self.sign,
            'rtcs_ver': '3',
            'bucketNum': self.bucketNum,
            'ipr': '{"c":"word/media/image%s.png"}' % cout
        }

        data = requests.get(url=self.base_img, params=data)
        if data.status_code == 200:
            with open(self.path + str(num) + '.jpg', 'wb+') as f:
                f.write(data.content)
            print(self.name + '下载完成!')
        else:
            couts = str(cout) + '_1'
            print(couts)
            data = {
                'md5sum': self.md5sum,
                'sign': self.sign,
                'rtcs_ver': '3',
                'bucketNum': self.bucketNum,
                'ipr': '{"c":"word/media/image%s.png"}' % couts
            }
            data = requests.get(url=self.base_img, params=data)
            if data.status_code == 200:
                with open(self.path + str(num) + '.jpg', 'wb+') as f:
                    f.write(data.content)
                print(self.name + '下载完成!')
            else:

                self.flag = False

    def run(self, url):
        num = 0
        self.get_info(url)
        self.parse()
        # print('页面写入完成!!!' + '-' * 20 + '下载图片>>>>>>')
        # while self.flag:
        #     num += 1
        #     self.down_img(self.cout, num)
        #     self.cout += 1


if __name__ == '__main__':
    #url = input('请输入网址:')
    url='https://wk.baidu.com/view/c5596afeccbff121dc3683df?pcf=2&pcf=2'
    b = Baidu()
    b.run(url)
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,384评论 6 497
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,845评论 3 391
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 161,148评论 0 351
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,640评论 1 290
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,731评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,712评论 1 294
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,703评论 3 415
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,473评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,915评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,227评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,384评论 1 345
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,063评论 5 340
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,706评论 3 324
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,302评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,531评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,321评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,248评论 2 352

推荐阅读更多精彩内容