Python3爬虫--两种方法（requests(urllib)和BeautifulSoup）爬取网站pdf

• 1、任务简介

本次任务是爬取IJCAI（国际人工智能联合会议）最新2018年的pdf论文文件。

本次编码用到了正则表达式从html里面提取信息，如下对正则表达式匹配规则作简要的介绍。

• 2、正则表达式规则

\w匹配字母数字及下划线

\W匹配非字母数字及下划线

\s匹配任意空白字符，等价于 [\t\n\r\f].

\S匹配任意非空字符

\d匹配任意数字，等价于 [0-9]

\D匹配任意非数字

\A匹配字符串开始

\Z匹配字符串结束，如果是存在换行，只匹配到换行前的结束字符串

\z匹配字符串结束

\G匹配最后匹配完成的位置

\n匹配一个换行符

\t匹配一个制表符

^匹配字符串的开头

$匹配字符串的末尾

.匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符。

[...]用来表示一组字符,单独列出：[amk] 匹配 'a'，'m'或'k'

[^...]不在[]中的字符：[^abc] 匹配除了a,b,c之外的字符。

*匹配0个或多个的表达式。

+匹配1个或多个的表达式。

?匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式

{n}精确匹配n个前面表达式。

{n, m}匹配 n 到 m 次由前面的正则表达式定义的片段，贪婪方式

a|b匹配a或b

( )匹配括号内的表达式，也表示一个组

• 3、代码实现

第一种方法实现如下：

 # -*- coding: utf-8 -*-
 """
 Created on Tue Aug  7 12:32:25 2018

 @author: Lenovo
 """
 import urllib.request
 import re
 import os

 url = 'http://www.ijcai.org/proceedings/2017/'

 def getHtml(url):
     request = urllib.request.Request(url)
     request.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36')
     response = urllib.request.urlopen(request)
     html = response.read()

     return html

 html = getHtml(url)

 def getPaper(html):
     if not os.path.exists('IJCAI_2017') : #文件夹不存在时，再进行创建
         os.mkdir('IJCAI_2017')
     os.chdir(os.path.join(os.getcwd(), 'IJCAI_2017'))

     reg = 'href="(\d{4}\.pdf)"'        #正则表达式
     papre = re.compile(reg)
     addr_list = re.findall(papre, html.decode('utf-8'))

     num = len(addr_list)
     print('论文总数：', num)

     m =1
     for paperurl in addr_list:
         fname = '%s.pdf' %m#论文下载名
         paper_url = url + paperurl#论文下载地址
         print(paper_url)
         paper = getHtml(paper_url)

         with open(fname, 'wb') as f:
            f.write(paper)

         m += 1

         print('已下载')
         f.close()

 getPaper(html)

第二种方法实现如下：

 # -*- coding: utf-8 -*-
 """
 Created on Sun Aug  5 10:41:13 2018

 @author: Lenovo
 """
 import requests
 import os
 from bs4 import BeautifulSoup, Comment

 url = 'http://www.ijcai.org/proceedings/2018/'
 headers = {'Host' : 'www.ijcai.org', 'User-Agent' : 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}

 def find_paper():
     html = requests.get(url, headers = headers).content
     s = BeautifulSoup(html, 'lxml') 

     #要爬取的信息在页面解析后的注释内，获取注释内容，结果返回所有注释列表
     comments = s.find_all(text=lambda text:isinstance(text, Comment))

     #论文信息为comments[2]，再次使用beautifulsoup解析
     soup = BeautifulSoup(comments[2], 'lxml')

     titles = soup.find_all("div", class_ = "title")#由于class是关键字所以加一个'_'
     details = soup.find_all("div", class_ = "details")

     return titles, details

 titles, details = find_paper()

 def download_paper():
     if not os.path.exists('IJCAI_2018') : #文件夹不存在时，再进行创建
         os.mkdir('IJCAI_2018')
     os.chdir(os.path.join(os.getcwd(), 'IJCAI_2018'))#os.path.join(path1[, path2[, ...]])  将多个路径组合后返回，第一个绝对路径之前的参数将被忽略,os.getcwd()获取当前工作目录，即当前python脚本工作的目录路径,os.chdir("dirname")  改变当前脚本工作目录；相当于shell下cd

     num = len(titles)
     print('论文总数：', num)

     for i in range(num):
         detail = details[i]

         fname = detail.contents[1].get('href')#论文下载名
         deatil_url = url + fname#论文下载地址

         print(deatil_url)
         r = requests.get(deatil_url)

         with open(fname, 'wb') as f:
            f.write(r.content)

         print('已下载：', titles[i].string)
         f.close()

 if __name__ == '__main__':
     download_paper()

4、运行结果

2018年总共870篇结果如下：