编程语言
首页 > 编程语言> > 拒绝某度文库,跟我一起用Python写个下载器

拒绝某度文库,跟我一起用Python写个下载器

作者:互联网

度娘啊,你以为你把百度网盘取消限速了,我们就满意了?当然不满意,还有百度文库呢!本来好好的文档,非得不让我们下载……今天,就教大家跟我一起写百度文库下载器Weeker,拒绝文库,从我做起。

我们的下载器是一个GUI程序,具体架构是,先写核心文件(get.py),再写命令行解析文件(weeker.py),接着使用Fire生成命令行,最后用Gooey把CLI转换为GUI。

很多人学习python,不知道从何学起。

很多人学习python,掌握了基本语法过后,不知道在哪里寻找案例上手。

很多已经做案例的人,却不知道如何去学习更加高深的知识。

那么针对这三类人,我给大家提供一个好的学习平台,免费领取视频教程,电子书籍,以及课程的源代码!

QQ群:701698587

欢迎加入,一起讨论 一起学习!

 

准备

安装

  1. 安装Python 3.8;
  2. 安装依赖(依赖的作用下文会详解):pip install requests docx beautifulsoup4 Gooey

目录

初始化项目(下面的脚本是在Unix或Linux上运行的):

 复制代码 隐藏代码
cd /path/to/project
mkdir Weeker
touch get.py weeker.py

 

爬虫核心

第一步,打开get.py,先引入类库:

 复制代码 隐藏代码
from os import getcwd, system
from re import sub

import requests
import docx
from bs4 import BeautifulSoup

 

每个模块的作用如下:

 

模块名称

作用

os

获取当前目录

re

替换文档中的特定字符

requests

用来做网络请求,不用多说。

docx

用来将txt转换为docx格式。

bs4

用来把文本从html中解析出来。

     

由于保存文件时我们需要判断路径,定义一个pwd常量,用来存储“当前路径:

 复制代码 隐藏代码
pwd = getcwd()

 

再声明一个get
url:ua:path:output:convert方法,来实现我们的爬虫函数,其中:

 

参数名称

作用

url

文档地址,比如随便搜了一个:
https://wenku.baidu.com/view/11ebd2af42323968011ca300a6c30c225901f0ea.html?fr=search

ua

User Agent。我试了一下,如果使用浏览器UA是不行的,会爬到一个广告界面,然后告诉你此操作需要登录,因此我们要使用Googlebot或Baiduspider来绕过UA检测(这就是为什么搜索引擎能搜到),以为我们是一个搜索引擎。跟推荐使用后者,毕竟百度和文库一家人嘛。

path

存储目录,不包括文件名。

output

带有后缀名的文件名。

convert

转换后的格式。因为作者比较懒,所以此字段只能填写docx。

     

编写get:::::函数

获取html&解析

把光标移到get:::::函数。首先照例我们要用requests,并且祭上bs4一条龙解析:

 复制代码 隐藏代码
headers = { 'User-Agent': ua }
result = requests.get(url, headers=headers)
soup = BeautifulSoup(res.text, "html.parser")

# 为了方便管理文本,我们定义一个数组用来存储文档的每一行
everyline = []

 

添加标题

我们给文档先添上标题,也就是网页的标题。

 复制代码 隐藏代码
everyline.append(soup.title.string)

 

但是这样会有一个问题,添加出来的标题都是“xxxxxxx_百度文库”,很不雅观。所以抬上re.sub作替换,改成:

 复制代码 隐藏代码
everyline.append(re.sub('_百度文库', '', soup.title.string, 1))

 

获取正文

通过观察网页,我们发现,bd doc-reader这个class有重大嫌疑,这个class里的东西都是正文内容:



 



我们通过bs4解析它,发现内容中有很多\n、\x0c和空格,\n是换行符,我们把它分割到数组中,而后两者分别删除即可:

 复制代码 隐藏代码
for doc in soup.find_all('div', attrs={"class": "bd doc-reader"}):
    everyline.extend(doc.get_text().split('\n')) # 扩展数组
    everyline = [i.replace(' ', '') for i in everyline]
    everyline = [i.replace('\x0c', '') for i in everyline]

 

保存文件

接下来就是保存文件。我的思路是,先按照txt格式保存,然后再判断convert参数,如果填写了docx,再将txt加后缀并修改为docx。

 复制代码 隐藏代码
final_path = path
# 如果是相对路径,连接pwd改成绝对路径,否则python不支持。
if not path.startswith('/'):
    final_path = pwd + '/' + final_path

try:
    file = open(final_path + '/' + output, 'w', encoding='utf-8')
    for line in everyline:
        file.write(line)
        file.write('\n')
    file.close()
except FileNotFoundError as err:
    print("wenku: error: Output directory does not exist. Quitting.")
    exit(1)

# 如果有convert请求
if convert == 'docx':
    with open(final_path + '/' + output) as f:
        docu = docx.Document() # 创建对象
        docu.add_paragraph(f.read()) # 添加段落
        docu.save(final_path + '/' + output + '.' + convert) # 保存文档,文件名为xxx.xxx.docx
        system('rm ' + final_path + '/' + output) # 删除try中保存的文件

 

创建GUI

打开weeker.py。
首先是两句 import,其中Gooey可以用类似argparse的语法将CLI转换为GUI。

 复制代码 隐藏代码
from gooey import Gooey, GooeyParser
import get

 

接着添加if __name__ == '__main__':

 复制代码 隐藏代码
if __name__ == '__main__':
    main()
我们来定义一下这个main():

 

 复制代码 隐藏代码
@Gooey(encoding='utf-8', program_name="Weeker ", language='chinese')
def main():
    parser = GooeyParser(description="百度文库下载器,干杯!")
    parser.add_argument("url", metavar='文档地址', widget="TextField")
    parser.add_argument("ua", metavar='用户UA', widget="Dropdown", choices={"Googlebot": 1, 'Baiduspider': 2})
    parser.add_argument("path", metavar='保存路径', widget="DirChooser")
    parser.add_argument("output", metavar='重命名', widget="TextField")
    parser.add_argument("convert", metavar='格式转换', widget="Dropdown", choices={'docx': 1})
    args = parser.parse_args()

    get.get(args.url, ua=args.ua, path=args.path, output=args.output, convert=args.convert)

 

@Gooey是一个修饰器,可以把main()转换为一个Gooey函数。在main中,我们写下类似argparse的parser.add_argument函数,最终定义args = parser.parse_args(),从args的成员获取每个参数的输入,传到get.py里。我们运行一下,神奇的一幕发生了:



 



我们成功地把CLI转换成了GUI!!!

注I:如果你喜欢命令行,可以GitHub搜python-fire,直接将函数和参数暴漏给CLI,效果更佳。
注II:因为电脑原因,打包不了成品,因此有需要者请自行编译。
注III:附件里有两个py文件。
注IV:我刚看见源码里面有一句import写错了,如果你下载了源码,请先照文中代码核对一下。

标签:docx,parser,文库,get,Python,代码,args,某度,path
来源: https://www.cnblogs.com/pythonQqun200160592/p/15449131.html