爬百度文库的

最新推荐文章于 2021-06-29 20:38:07 发布

CCCQQF

最新推荐文章于 2021-06-29 20:38:07 发布

阅读量276

点赞数

CC 4.0 BY-SA版权

文章标签： python

本文链接：https://blog.youkuaiyun.com/weixin_40880019/article/details/80085551

本文介绍了一个简单的Python爬虫项目，利用Selenium库实现对百度文库中指定文档的自动化爬取，并将每页内容保存为Word文档。该爬虫通过模拟用户浏览行为，逐页抓取文档的文字内容。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一个菜鸟的爬！主要是之前写那个公选课找资料的时候，百度文档连复制都不给我复制！然后就当学习以下自动化测试，和python，花了一天[捂脸][捂脸]。

python selenium 一页一页爬的，不会太多东西，只能文字，还没有颜色区别。源码也没用函数，没有后续了。。

参考了网上的代码的思路，应该是懒加载的原因，不能一次爬全部，就一页一页爬了

#获取全文
import time
from selenium import webdriver
from selenium.webdriver.common.action_chains import ActionChains


driver=webdriver.Firefox()
#driver.get(r'https://wenku.baidu.com/view/aa31a84bcf84b9d528ea7a2c.html')
#driver.get(r'https://wenku.baidu.com/view/4f22ff236294dd88d1d26bbc.html?from=search')
driver.get(r'https://wenku.baidu.com/view/12132c85f7ec4afe05a1dfa4.html')

#将页面下拉到4000，大概的一个值，很有可能错误


more_read=driver.find_elements_by_class_name("banner-more-btn")
if len(more_read)!=0:
    js="var q=document.documentElement.scrollTop=4000"
    driver.execute_script(js)
    time.sleep(1)
    btn=driver.find_element_by_class_name("banner-more-btn")
    ActionChains(driver).click(btn).perform()

#写入文本
import docx
from docx.oxml.ns import qn


file=docx.Document()


pcount=int(driver.find_element_by_class_name('page-count').text.replace("/",""))
pcount
for i in range(1,pcount+1):
    driver.find_element_by_class_name('page-input').clear()
    driver.find_element_by_class_name('page-input').send_keys(str(i)+"\n")

    content=driver.find_element_by_id("pageNo-"+str(i))
    content.text
    content1=content.text.replace('\n','')
    content2=content1.split('  ')
    while '' in content2:
        content2.remove('')
    for i in content2:
        file.add_paragraph(i)
        file.styles['Normal'].font.name=u'宋体'
        file.styles['Normal']._element.rPr.rFonts.set(qn('w:eastAsia'), u'宋体')

file.save("D:\\test.docx")
print("ok")

然后github地址： github