頭兩天神遊網上，無意間發現個可以免費下載電子書的網站，一下子就勾起了我的收藏癖，心癢癢的要把這些書下載下來，正好前不久 requests 的作者 kennethreitz 出了一個新庫 requests-html ，它不僅可以請求網頁，還可以解析 HTML 文檔，話不多說，咱開始吧。
安裝
安裝很簡單，只要執行：
pip install requests-html
就可以了。
分析頁面結構
通過瀏覽器審查元素可以發現這個電子書網站是用 WordPress 搭建的，首頁列表元素很簡單，很規整，
所以我們可以查找 .entry-title > a 獲取所有圖書詳情頁的鏈接，接着我們進入詳情頁，來尋找下載鏈接，由下圖
可以發現 .download-links > a 裏的鏈接就是該書的下載鏈接，回到列表頁可以發現該站一共 700 多頁，由此我們便可以循環列表獲取所有的下載鏈接。
Requests-html 快速指南
發送一個 GET 請求：
from requests_html import HTMLSession
session = HTMLSession()
r = session.get('https://python.org/')
Requests-html 的方便之處就是它解析 html 方式就像使用 jQuery 一樣簡單，比如：
# 獲取頁面的所有鏈接可以這樣寫：
r.html.links
# 會返回 {'//docs.python.org/3/tutorial/', '/about/apps/'}
# 獲取頁面的所有的絕對鏈接：
r.html.absolute_links
# 會返回 {'https://github.com/python/pythondotorg/issues', 'https://docs.python.org/3/tutorial/'}
# 通過 CSS 選擇器選擇元素：
about = r.find('.about', first=True)
# 參數 first 表示只獲取找到的第一元素
about.text # 獲取 .about 下的所有文本
about.attrs # 獲取 .about 下所有屬性像 id, src, href 等等
about.html # 獲取 .about 的 HTML
about.find('a') # 獲取 .about 下的所有 a 標籤
構建代碼
需要Python學習資料可以加羣：821871075 資料免費贈予大家
from requests_html import HTMLSession
import requests
import time
import json
import random
import sys
session = HTMLSession()
list_url = 'http://www.allitebooks.com/page/'
USER_AGENTS = [
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
"Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
"Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
"Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
"Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
]
# 獲取當前列表頁所有圖書鏈接
def get_list(url):
response = session.get(url)
all_link = response.html.find('.entry-title a') # 獲取頁面所有圖書詳情鏈接
for link in all_link:
getBookUrl(link.attrs['href'])
# 獲取圖書下載鏈接
def getBookUrl(url):
response = session.get(url)
l = response.html.find('.download-links a', first=True)
if l is not None: # 運行後發現有的個別頁面沒有下載鏈接，這裏加個判斷
link = l.attrs['href'];
download(link)
#下載圖書
def download(url):
# 隨機瀏覽器 User-Agent
headers={ "User-Agent":random.choice(USER_AGENTS) }
# 獲取文件名
filename = url.split('/')[-1]
# 如果 url 裏包含 .pdf
if ".pdf" in url:
file = 'book/'+filename # 文件路徑寫死了，運行時當前目錄必須有名 book 的文件夾
with open(file, 'wb') as f:
print("正在下載 %s" % filename)
response = requests.get(url, stream=True, headers=headers)
# 獲取文件大小
total_length = response.headers.get('content-length')
# 如果文件大小不存在，則直接寫入返回的文本
if total_length is None:
f.write(response.content)
else:
# 下載進度條
dl = 0
total_length = int(total_length) # 文件大小
for data in response.iter_content(chunk_size=4096): # 每次響應獲取 4096 字節
dl += len(data)
f.write(data)
done = int(50 * dl / total_length)
sys.stdout.write("\r[%s%s]" % ('=' * done, ' ' * (50-done)) ) # 打印進度條
sys.stdout.flush()
print(filename + '下載完成！')
if __name__ == '__main__':
#從這運行，應爲知道列表總數，所以偷個懶直接開始循環
for x in range(1,756):
print('當前頁面: '+ str(x))
get_list(list_url+str(x))
運行效果：
