Python采集网站VIP文档,实现图片文字识别,并保存word格式!
哈喽兄弟们
我们平常需要下载文档的时候,是不是发现,要么不能下载,要么不能复制,就能难受。
常见的文档网站很多,但是这里就不一一说名字了,emmm
那么我们今天来分享一下,如何用Python将这些不给下载的文档给批量下载下来。
你需要准备
开发环境
python 3.8
pycharm
模块使用
两个需要安装的第三方模块,安装命令也写出来了。
requests --> pip install requests
re
base64
docx --> pip install python-docx
本文实现思路
一、数据来源分析
- 明确需求
明确采集网址以及数据内容是什么?
网址: https://www.docin.com/p-3282300896.html
数据: 文档内容 - 抓包分析, 我们需要数据内容是可以请求那个链接能够得到
文档形式: 图片样式
通过浏览器自带工具: 开发者工具抓包
打开开发者工具: F12 / 右键点击检查选择network
刷新网页
开发者工具搜索: docinpic
文档图片数据
链接: http://221.122.117.73/docinpic.jsp
sid: P1ekRarOT5ID*deCCfQPHapgA9Z5X3NNn0xfBxPIDApUnSY9yIVtfuxey1BsO1BG <获取>
file: 文档ID <可以自己获取>
width: 图片分辨率
pageno: 页码 <可以用for循环>
二、代码实现步骤
- 发送请求, 模拟浏览器对于 文档页面url地址 发送请求
请求链接: https://www.docin.com/p-3282300896.html - 获取数据, 获取服务器返回响应数据
- 解析数据, 提取我们需要的内容:
sid参数 / 文档页数 / 文档名称
构建文档图片链接 - 保存数据, 把文档图片内容保存下来
通过文字识别, 把图片里面文字识别出来, 保存文档里面就可以了
会使用百度云API接口:
1. 注册登陆百度云API
2. 选择文字识别, 创建应用, 领取免费资源, 点击技术文档
3. 先获取token值
4. API调用的文档代码
代码展示
文字识别
doc = Document() def Content(content): url = "https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=xxxx&client_secret=xxxx" payload = "" headers = { 'Content-Type': 'application/json', 'Accept': 'application/json' } response = requests.request("POST", url, headers=headers, data=payload) access_token = response.json()['access_token'] request_url = "https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic" # 二进制方式打开图片文件 # 完整源码和视频讲解都打包好 # 放在这个Q裙了:708525271 # f = open('img\\1 计算机概述1.jpg', 'rb') img = base64.b64encode(content) params = {"image":img} request_url = request_url + "?access_token=" + access_token headers = {'content-type': 'application/x-www-form-urlencoded'} json_data = requests.post(request_url, data=params, headers=headers).json() words_result = '\n'.join([i['words'] for i in json_data['words_result']]) print(words_result)
发送请求
# 模拟浏览器 --> 字典数据类型 --> 键:值 headers = { # User-Agent 用户代理 表示浏览器基本身份信息 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36' } # 请求链接 url = 'https://www.docin.com/p-3282300896.html' # 发送请求 response = requests.get(url=url, headers=headers)
获取数据、解析数据
# 获取网页数据 html_data = response.text # 提取sid参数 sid = re.findall('flash_param_hzq:"(.*?)",', html_data)[0] # 提取名字 name = re.findall('productName:"(.*?)",', html_data)[0] # 提取页码 num = re.findall('<em>(\d+)</em>页</span>', html_data)[0] # 构建完整图片链接 content_list = [] for page in range(1, int(num)+1): # 字符串格式化方法 img = f'http://221.122.117.73/docinpic.jsp?sid={sid}&file=3282300896&width=942&pageno={page}'
保存数据, 把文档图片内容保存下来
# 发送请求, 获取二进制数据<图片内容> img_content = requests.get(url=img, headers=headers).content words = Content(img_content) doc.add_paragraph(words)
完整代码+视频步骤详解全部都打包好了,文末名片自己拿哦!
好了,今天的分享就到这结束了,下次见!
热门相关:倾心之恋:总裁的妻子 小嫂子2 神算大小姐 富贵不能吟 神算大小姐