Python3爬蟲--兩種方法（requests(urllib)和BeautifulSoup）爬取網站pdf

• 1、任務簡介

本次任務是爬取IJCAI（國際人工智能聯合會議）最新2018年的pdf論文文件。

本次編碼用到了正則表達式從html里面提取信息，如下對正則表達式匹配規則作簡要的介紹。

• 2、正則表達式規則

\w匹配字母數字及下划線

\W匹配非字母數字及下划線

\s匹配任意空白字符，等價於 [\t\n\r\f].

\S匹配任意非空字符

\d匹配任意數字，等價於 [0-9]

\D匹配任意非數字

\A匹配字符串開始

\Z匹配字符串結束，如果是存在換行，只匹配到換行前的結束字符串

\z匹配字符串結束

\G匹配最后匹配完成的位置

\n匹配一個換行符

\t匹配一個制表符

^匹配字符串的開頭

$匹配字符串的末尾

.匹配任意字符，除了換行符，當re.DOTALL標記被指定時，則可以匹配包括換行符的任意字符。

[...]用來表示一組字符,單獨列出：[amk] 匹配 'a'，'m'或'k'

[^...]不在[]中的字符：[^abc] 匹配除了a,b,c之外的字符。

*匹配0個或多個的表達式。

+匹配1個或多個的表達式。

?匹配0個或1個由前面的正則表達式定義的片段，非貪婪方式

{n}精確匹配n個前面表達式。

{n, m}匹配 n 到 m 次由前面的正則表達式定義的片段，貪婪方式

a|b匹配a或b

( )匹配括號內的表達式，也表示一個組

• 3、代碼實現

第一種方法實現如下：

# -*- coding: utf-8 -*-
"""
Created on Tue Aug  7 12:32:25 2018

@author: Lenovo
"""
import urllib.request
import re
import os

url = 'http://www.ijcai.org/proceedings/2017/'

def getHtml(url):
    request = urllib.request.Request(url)
    request.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36')
    response = urllib.request.urlopen(request)
    html = response.read()
    
    return html

html = getHtml(url)

def getPaper(html):
    if not os.path.exists('IJCAI_2017') : #文件夾不存在時，再進行創建
        os.mkdir('IJCAI_2017')
    os.chdir(os.path.join(os.getcwd(), 'IJCAI_2017'))
    
    reg = 'href="(\d{4}\.pdf)"'        #正則表達式
    papre = re.compile(reg)
    addr_list = re.findall(papre, html.decode('utf-8'))
    
    num = len(addr_list)
    print('論文總數：', num)
    
    m =1
    for paperurl in addr_list:
        fname = '%s.pdf' %m#論文下載名
        paper_url = url + paperurl#論文下載地址
        print(paper_url)
        paper = getHtml(paper_url)
        
        with open(fname, 'wb') as f:
           f.write(paper)
        
        m += 1
        
        print('已下載')
        f.close()

getPaper(html)

第二種方法實現如下：

# -*- coding: utf-8 -*-
"""
Created on Sun Aug  5 10:41:13 2018

@author: Lenovo
"""
import requests
import os
from bs4 import BeautifulSoup, Comment

url = 'http://www.ijcai.org/proceedings/2018/'
headers = {'Host' : 'www.ijcai.org', 'User-Agent' : 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}
 
def find_paper():
    html = requests.get(url, headers = headers).content
    s = BeautifulSoup(html, 'lxml') 
    
    #要爬取的信息在頁面解析后的注釋內，獲取注釋內容，結果返回所有注釋列表
    comments = s.find_all(text=lambda text:isinstance(text, Comment))
    
    #論文信息為comments[2]，再次使用beautifulsoup解析
    soup = BeautifulSoup(comments[2], 'lxml')
    
    titles = soup.find_all("div", class_ = "title")#由於class是關鍵字所以加一個'_'
    details = soup.find_all("div", class_ = "details")
    
    return titles, details

titles, details = find_paper()

def download_paper():
    if not os.path.exists('IJCAI_2018') : #文件夾不存在時，再進行創建
        os.mkdir('IJCAI_2018')
    os.chdir(os.path.join(os.getcwd(), 'IJCAI_2018'))#os.path.join(path1[, path2[, ...]])  將多個路徑組合后返回，第一個絕對路徑之前的參數將被忽略,os.getcwd()獲取當前工作目錄，即當前python腳本工作的目錄路徑,os.chdir("dirname")  改變當前腳本工作目錄；相當於shell下cd
    
    num = len(titles)
    print('論文總數：', num)
        
    for i in range(num):
        detail = details[i]
        
        fname = detail.contents[1].get('href')#論文下載名
        deatil_url = url + fname#論文下載地址
        
        print(deatil_url)
        r = requests.get(deatil_url)
        
        with open(fname, 'wb') as f:
           f.write(r.content)
        
        print('已下載：', titles[i].string)
        f.close()

if __name__ == '__main__':
    download_paper()

4、運行結果

2018年總共870篇結果如下：