利用requests-html在python3.7下批量下载论文

改编自CSDN博主嗨学编程的文章我用 Python 抓取了 7000 多本电子书
关于requests-html
requests-html0.1.0
中文文档
requests-html0.2.0

#-*- coding:utf-8 -*-
# python3.7   requests-html2.0 pycharm
import requests_html
import requests
import random
import sys

HOMEURL = "http://www.padsweb.rwth-aachen.de/wvdaalst/publications/"
session = requests_html.Session()
list_url = 'http://www.padsweb.rwth-aachen.de/wvdaalst/publications/publications.html'

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"
]


# 获取页面中所有可以下载的论文名及链接中的名字
# 如文件名Timed coloured Petri nets and their application to logistics.pdf
#     链接中的名字:publicationsp7.pdf file
def get_list(url):
    response = session.get(url)
    all_link = response.html.find('#main a')  # 获取页面所有图书详情链接
    # <a href="p7.pdf">Timed coloured Petri nets and their application to logistics.</a>
    for link in all_link:
    # for i in range(1,30):
    #     link=all_link[i]
        href = link.attrs['href']
        hrefText = link.text
        if '.pdf' in href:
            # 处理含有多个'/'的情况,取最后一个斜杠后的部分
            pdfName = str(hrefText).split('/')[-1] + ".pdf"
            if '?' in pdfName:
                pdfName = pdfName.replace('?', '')
            url = HOMEURL + str(href)
            download(pdfName, url)


# 下载论文
def download(pdfName, url):
    # 随机浏览器 User-Agent
    headers = {"User-Agent": random.choice(USER_AGENTS)}
    # 获取文件名
    filename = url.split('/')[-1]
    print("filename:", filename, "fileName:", pdfName)
    # 如果 url 里包含 .pdf
    if ".pdf" in url:
        file = 'd://books/' + pdfName  # 文件路径写死了,运行时当前目录必须有名 book 的文件夹
        try:
            with open(file, 'wb') as f:
                print("正在下载 %s" % filename)
                response = requests.get(url, stream=True, headers=headers)

                # 获取文件大小
                total_length = response.headers.get('content-length')
                # print("链接:",url)
                # print('response.content:',response.content)
                # print(requests.get(url))
                # 如果文件大小不存在,则直接写入返回的文本
                if total_length is None:
                    f.write(response.content)
                    # print("文件为空:",pdfName,"\t",url,'\t',response.content)
                else:
                    # 下载进度条
                    dl = 0
                    total_length = int(total_length)  # 文件大小
                    for data in response.iter_content(chunk_size=4096):  # 每次响应获取 4096 字节
                        dl += len(data)
                        f.write(data)
                        done = int(50 * dl / total_length)
                        sys.stdout.write("\r[%s%s]" % ('=' * done, ' ' * (50 - done)))  # 打印进度条
                        sys.stdout.flush()
        except IOError as e:
            print(e)
        else:
            print(filename + '下载完成!')


if __name__ == '__main__':
    get_list(list_url)

安装requests-html过程中出现的问题

1、cannot import name 'HTMLSession' from 'requests_html' (C:\Users\owlish\AppData\Local\Programs\Python\Python37\lib\site-packages\requests_html.py)
很尴尬,我的文件名叫“requests.py”,和关键字冲突,改个名就行了。
2、pycharm安装后找不到本地已经安装的模块

创建虚拟环境

继承全局包

如图,创建了一个虚拟环境就行了,并勾选“Inherit global site-packages”。仿佛是因为安装目录在c盘,权限不够。

最后编辑于
©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 206,839评论 6 482
  • 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 88,543评论 2 382
  • 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 153,116评论 0 344
  • 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 55,371评论 1 279
  • 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 64,384评论 5 374
  • 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 49,111评论 1 285
  • 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 38,416评论 3 400
  • 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 37,053评论 0 259
  • 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 43,558评论 1 300
  • 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 36,007评论 2 325
  • 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 38,117评论 1 334
  • 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 33,756评论 4 324
  • 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 39,324评论 3 307
  • 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 30,315评论 0 19
  • 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 31,539评论 1 262
  • 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 45,578评论 2 355
  • 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 42,877评论 2 345