Python新手爬虫三：爬取PPT模板

爬取网站：第一PPT（http://www.1ppt.com/） 此网站真的良心

老样子，先上最后成功的源码（在D盘创建一个PPT文件夹，直接将代码执行就可获取到PPT）：

import requests
import urllib
import os
from bs4 import BeautifulSoup
from fake_useragent import UserAgent

def getPPT(url):
     f = requests.get(url,headers=headers)   #发送GET请求
     f.encoding = f.apparent_encoding    　　#设置编码方式
    soup1 = BeautifulSoup(f.text,'lxml')　　　#使用lxml解析器解析
    classHtml = soup1.find('div',class_="col_nav i_nav clearfix").select('a')    #在html中查找标签为div，class属性为 col_nav...的代码块并获取所有的 a 标签
    for i in classHtml[:56]:　　#只要前56个类别
        classUrl = i['href'].split('/')[2] #将ppt模板类别关键词存到classUrl，i['href']表示获取i中href属性的值，split('/')[2]表示以'/'为分隔符区第二个值
        
        if not os.path.isdir(r'D:PPT\'+i['title']):   #判断有无此目录，两个\，第一个转义了第二个
            os.mkdir(r'D:PPT\'+i['title']) #若无，创建此目录。
        else:
            continue    #若有此目录，直接退出循环，就认为此类别已经下载完毕了
        
        n = 0  #定义一个变量用来统计模板的个数
        for y in range(1,15):   #假设每个类别都有14页ppt（页数这一块找了很久，没找到全部获取的方法，只能采取此措施）
            pagesUrl = url+i['href']+'/ppt_'+classUrl+'_'+str(y)+'.html'  #获取每一页的URL
            a = requests.get(pagesUrl,headers=headers)
            
            if a.status_code != 404:    #排除状态码为404的网页
                soup2 = BeautifulSoup(a.text,'lxml')
                
                for downppt in soup2.find('ul',class_='tplist').select('li > a'):   #获取每一个模板下载界面的URL，find作用不再赘述，select('li > a')表示查看li标签下的a标签的内容
                    b = requests.get(url+downppt['href'],headers=headers)  #获取最后的下载界面的html
                    b.encoding = b.apparent_encoding    #设置编码类型
                    soup3 = BeautifulSoup(b.text,'lxml')　　#因为到了一个新的界面，要重新获取当前界面html
                    downList = soup3.find('ul',class_='downurllist').select('a')    #获取下载PPT的URL
                    pptName = soup3.select('h1')   #获取ppt模板名称
                    print('Downloading......')
                    try:
                        urllib.request.urlretrieve(downList[0]['href'],r'D:PPT\'+i['title']+'/'+pptName[0].get_text()+'.rar')    #开始下载模板
                        print(i['title']+'type template download completed the '+str(n)+' few.'+pptName[0].get_text())
                        n += 1
                    except:
                        print(i['title']+'type download failed the '+str(n)+' few.')
                        n += 1

if __name__ == '__main__':
    headers = {'user-agent':UserAgent().random} #定义请求头
    getPPT('http://www.1ppt.com')

效果图：

逻辑其实挺简单的，代码也不算复杂。

代码基本都有注释，先一起捋一遍逻辑吧，逻辑搞清楚，代码不在话下。

1、首先网站首页：F12—>选择某个类别(比如科技模板)右击—>检查—>查看右侧的html代码

 

发现类别的URL保存在 <div class="col_nav" i_nav clearfix> 下的 <li> 标签里的 <a> 标签的 href 属性值中

于是想到用 BeautifulSoup 库的 find() 方法和 select() 方法

2、进入类别界面

同样：F12—>选择某个PPT(例如第一个)右击—>检查—>查看右侧html代码

照葫芦画瓢，继续获取进入下载界面的URL，方法同上

但在此页面需要注意的是，下边有选页标签：

我暂时没有想到准确获取一共有多少页的方式，所以我在此代码中选择用range()函数来假设每个类别都有14页，然后再进行一步判断，看返回的http状态码是否为200。

3、进入具体PPT的下载界面

与上操作相同，获取最终PPT的下载URL

我在此代码中选择用 urllib 库来进行下载，最终将相对应类别的PPT放置同一文件夹中。

文件夹操作我是调用 os 库，具体代码还是往上翻一翻吧。

具体流程就这么几步了，剩下的就是循环 循环 再循环......

循环语句写好，就大功告成了！一起努力。