代码拉取完成,页面将自动刷新
# coding = UTF-8
# 爬取自己编写的html链接中的PDF文档,网址:file:///E:/ZjuTH/Documents/pythonCode/pythontest.html
import urllib.request
import re
import os
from lxml import etree
import requests
url = 'http://jb.sznews.com/PC/layout/202105/20/node_A01.html'
response = requests.get(url)
response.encoding=response.apparent_encoding
print(response)
label=etree.HTML(response.text)
#提取这个页面中所有的标签信息
content=label.xpath('//div[@class="Therestlist"]/text()')
#提取span标签中class名为"is-text-small is-text-grey"的内容信息,并且存入一个列表中
# print(content[0])
#打印获得的文本信息
exit()
# open the url and read
def getHtml(url):
page = urllib.request.urlopen(url)
html = page.read()
page.close()
return html
###
def getTags(html):
reg = r'<div class="Therestlist">([\s\S]+?)</div>'
pattern= re.compile(reg)
tags= re.findall(pattern, html)
return tags
# compile the regular expressions and find
# all stuff we need
def getUrl(html):
reg = r'([A-Z]\d+)' #匹配了G176200001
url_re = re.compile(reg)
url_lst = url_re.findall(html.decode('UTF-8')) #返回匹配的数组
print (url_lst)
exit()
return(url_lst)
def getFile(url):
file_name = url.split('/')[-1]
u = urllib.request.urlopen(url)
f = open(file_name, 'wb')
block_sz = 8192
while True:
buffer = u.read(block_sz)
if not buffer:
break
f.write(buffer)
f.close()
print ("Sucessful to download" + " " + file_name)
root_url = 'http://jb.sznews.com/attachment/pdf/202105/20/' #下载地址中相同的部分
raw_url = 'http://jb.sznews.com/PC/layout/202105/20/node_A01.html'
html = getHtml(raw_url)
tags = getTags(html)
url_lst = getUrl(tags)
os.mkdir('pdf_download')
os.chdir(os.path.join(os.getcwd(), 'pdf_download'))
for url in url_lst[:]:
url = root_url + url+'/'+url+'.pdf' #形成完整的下载地址
getFile(url)
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。