我用 Python 抓取了 7000 多本电子书

摘要：头两天神游网上，无意间发现个可以免费下载电子书的网站，一下子就勾起了我的收藏癖，心痒痒的要把这些书下载下来，正好前不久的作者出了一个新库，它不仅可以请求网页，还可以解析文档，话不多说，咱开始吧。安装安装很简单，只要执行就可以了。

头两天神游网上，无意间发现个可以免费下载电子书的网站，一下子就勾起了我的收藏癖，心痒痒的要把这些书下载下来，正好前不久 requests 的作者 kennethreitz 出了一个新库 requests-html ，它不仅可以请求网页，还可以解析 HTML 文档，话不多说，咱开始吧。

安装很简单，只要执行：

pip install requests-html

就可以了。

通过浏览器审查元素可以发现这个电子书网站是用 WordPress 搭建的，首页列表元素很简单，很规整，

所以我们可以查找 .entry-title > a 获取所有图书详情页的链接，接着我们进入详情页，来寻找下载链接，由下图

可以发现 .download-links > a 里的链接就是该书的下载链接，回到列表页可以发现该站一共 700 多页，由此我们便可以循环列表获取所有的下载链接。

发送一个 GET 请求：

from requests_html import HTMLSession
session = HTMLSession()

r = session.get("https://python.org/")

Requests-html 的方便之处就是它解析 html 方式就像使用 jQuery 一样简单，比如：

# 获取页面的所有链接可以这样写：
r.html.links
# 会返回 {"//docs.python.org/3/tutorial/", "/about/apps/"}

# 获取页面的所有的绝对链接：
r.html.absolute_links
# 会返回 {"https://github.com/python/pythondotorg/issues", "https://docs.python.org/3/tutorial/"}

# 通过 CSS 选择器选择元素：
about = r.find(".about", first=True)
# 参数 first 表示只获取找到的第一元素
about.text # 获取 .about 下的所有文本
about.attrs # 获取 .about 下所有属性像 id, src, href 等等
about.html # 获取 .about 的 HTML
about.find("a") # 获取 .about 下的所有 a 标签

from requests_html import HTMLSession
import requests
import time
import json
import random
import sys

session = HTMLSession()
list_url = "http://www.allitebooks.com/page/"

USER_AGENTS = [
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
    "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
    "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
    "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
    "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
]

# 获取当前列表页所有图书链接
def get_list(url):
    response = session.get(url)
    all_link = response.html.find(".entry-title a") # 获取页面所有图书详情链接
    for link in all_link:
        getBookUrl(link.attrs["href"])

# 获取图书下载链接
def getBookUrl(url):
    response = session.get(url)
    l = response.html.find(".download-links a", first=True)
    if l is not None: # 运行后发现有的个别页面没有下载链接，这里加个判断
        link = l.attrs["href"];
        download(link)

#下载图书
def download(url):
    # 随机浏览器 User-Agent
    headers={ "User-Agent":random.choice(USER_AGENTS) }
    # 获取文件名
    filename = url.split("/")[-1]
    # 如果 url 里包含 .pdf
    if ".pdf" in url:
        file = "book/"+filename # 文件路径写死了，运行时当前目录必须有名 book 的文件夹
        with open(file, "wb") as f:
            print("正在下载 %s" % filename)
            response = requests.get(url, stream=True, headers=headers)
            
            # 获取文件大小
            total_length = response.headers.get("content-length")
            # 如果文件大小不存在，则直接写入返回的文本
            if total_length is None: 
                f.write(response.content)
            else:
                # 下载进度条
                dl = 0
                total_length = int(total_length) # 文件大小
                for data in response.iter_content(chunk_size=4096): # 每次响应获取 4096 字节
                    dl += len(data)
                    f.write(data)
                    done = int(50 * dl / total_length)
                    sys.stdout.write("
[%s%s]" % ("=" * done, " " * (50-done)) ) # 打印进度条   
                    sys.stdout.flush()

            print(filename + "下载完成！")

if __name__ == "__main__":
    #从这运行，应为知道列表总数，所以偷个懒直接开始循环
    for x in range(1,756):
        print("当前页面: "+ str(x))
        get_list(list_url+str(x))

我的公众号喔噢实验室，欢迎交流~