百度文档，用Python一键免费下载

百度文库下载需要券，或者vip才能下载

Vip价格高，偶尔下载一次不划算。

不下载复制？不好意思复制也需要vip否则只能一次复制两行。

如何才能以最低成本获取到百度文库里的文档内容呢？

当然是用Python啦！

接下来教大家如何使用Python免费下载百度文档。

由于百度文库的内容是通过网页展示的，那我们猜他是通过后台加载进来的。可以先通过Ctrl+u查看HTML源码，看源码里面是否有文档数据。很遗憾HTML源码里面并没有文档内容。

确定不是通过HTML加载的之后，我们就可以大胆的猜测他是通过json异步加载。所以通过F12打开开发者管理工具network抓包，查看页面加载过程请求的URL。这里会有大量的请求，但是我们仔细观察会发现有一个0.json的URL返回的数据就是文档的文本数据。

拿到请求文档数据的URL后需要确定URL参数。通过查看headers确定请求方式为GET请求。请求参数里x-bce-range和token是变动的，其他都是固定不变。

token这个东西很多时候都会写入到HTML页面里去，用途是防csrf攻击。但是百度文档里面的token有什么用我们不用关心，重要的是这个token那里来。去HTML源代码里查看这两个变量能不能获取到。

果然，在HTML源码里有一段js代码，其中就包含了所有请求文档的URL。看起来有点像，但还是不一样啊！其实这里是包含了转移符 \ ,还有一个比较奇怪的 \x22 其实是一个双引号。把这段不规范的json数据提取出来替换掉 \ 和 \x22就是一个标准的json格式数据。

提取文档数据URL代码实现

def get_document():

# 文库url

url = "https://wenku.baidu.com/view/eefef92fa1116c175f0e7cd184254b35eefd1a97.html?from=search"

sess = requests.Session()

html = sess.get(url).content.decode("gbk")

# 抓取到文档标题

title = re.search('id="doc-tittle-0">(.*?)</span>', html).group(1)

# 使用正则提取 文档内容的url

res = re.search("WkInfo.htmlUrls = '(.*)'", html).group(1)

# \\x22是linux中的引号，替换成Python中的引号

res = res.replace("\\x22", "\"")

# 转成字典

data = json.loads(res)

拿到URL之后继续发送请求获取文档数据，文档数据是分段保存到json里面的，json里面的数据如下图所示。

字段解释：

c: 数据

p: 位置

r: 暂时不确定作用

s: 字体样式

t: 数据格式（word文本，pic图片）

ps: 样式，_enter:1  表示换行，同一段的文本ps值为空

由于图片加载比较特殊，有时候可能通过一个请求加载两张图片，不好确定图片的位置，所以这里暂且不考虑图片，我们只抓取文本。

def get_document():

# ....省略前面代码

# 新建一个文档

document = Document()

string = ""

for i in data["json"]:

url = i["pageLoadUrl"]  # 获取到url

url = url.replace("\\", "")  # url中有转义符\去掉

# 请求文档内容

data = requests.get(url).content.decode("utf-8")

# 提取文本数据

res = re.search("wenku_\d*\((.*)\)", data, re.S).group(1)

# 将json对象数据转成Python对象

data = json.loads(res)

for i in data['body']:

# 判断数据是什么类型

if i["t"] == "word":

# 获取到文本

string += str(i["c"])

# ps中不为空并且_enter==1的时候是换行也就是一段内容

if i["ps"] and i["ps"].get("_enter") == 1:

document.add_paragraph(string)  # 将一段内容写入到word

string = ""  # 重新复制 "" 表示新的一段文本

# 保存word

document.save(title + ".docx")

到这里就已经可以把一个百度文档的文本内容完整下载下来。

网上随机选一篇文档来测试效果，纯文本的文档效果贼好。缺点就是不能同时下载图片插入到word里面去。