Python3爬虫下载pdf（一）

最新推荐文章于 2025-04-13 23:02:41 发布

转载最新推荐文章于 2025-04-13 23:02:41 发布 · 1.3k 阅读

9 ·

CC 4.0 BY-SA版权

原文链接：https://segmentfault.com/a/1190000010820485

文章标签：

#爬虫 #python #php

本文介绍了一个简单的Python爬虫脚本，该脚本能够自动下载网页上的所有PDF文件。通过使用requests和bs4模块，脚本可以解析网页源代码并抓取链接，最后将这些PDF文件保存到本地。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Python3爬虫下载pdf（一）

最近在学习python的爬虫，并且玩的不亦说乎，因此写个博客，记录并分享一下。

需下载以下模块

bs4 模块
requests 模块

一、源码

"""
功能：下载指定url内的所有的pdf
语法：将含有pdf的url放到脚本后面执行就可以了
"""

from bs4 import BeautifulSoup as Soup
import requests
from sys import argv

try:
    ##用于获取命令行参数，argv[0]是脚本的名称
    root_url = argv[1]
except:
    print("please input url behind the script!!")
    exit()

##获得含有所有a标签的一个列表
def getTagA(root_url):
    res = requests.get(root_url)
    soup = Soup(res.text,'html.parser')
    temp = soup.find_all("a")
    return temp

##从所有a标签中找到含有pdf的，然后下载
def downPdf(root_url,list_a):
    number = 0
    ##如果网站url是以类似xx/index.php格式结尾，那么只取最后一个/之前的部分
    if not root_url.endswith("/"):     
        index = root_url.rfind("/")
        root_url = root_url[:index+1]
    for name in list_a:
        name02 = name.get("href")
        ##筛选出以.pdf结尾的a标签
        if name02.lower().endswith(".pdf"):
            pdf_name = name.string 
            number += 1
            print("Download the %d pdf immdiately!!!"%number,end='  ')
            print(pdf_name+'downing.....') 
             ##因为要下载的是二进制流文件，将strem参数置为True     
            response = requests.get(root_url+pdf_name,stream="TRUE")
            with open(pdf_name,'wb') as file:
                for data in response.iter_content():
                    file.write(data)

if __name__ == "__main__":
    downPdf(root_url,getTagA(root_url))

二、亮点

利用str.rfind("S") 函数来获得 S 在str 从右边数第一次出现的index
使用str.lower().endswith("S") 函数来判断str 是否以S/s 结尾