批量抓取网页pdf文件

摘要：任务批量抓取网页文件有一个，里面有数千条指向下载链接的网页地址，现在，需要批量抓取这些网页地址中的文件。利用，具体逻辑是正常情况下，按次序下载文件，如果同一文件，下载失败次数超过，则跳过，下载下一个文件，并记录错误信息。

任务：批量抓取网页pdf文件

有一个excel，里面有数千条指向pdf下载链接的网页地址，现在，需要批量抓取这些网页地址中的pdf文件。

python环境：

anaconda3
openpyxl
beautifulsoup4

读取excel，获取网页地址

使用openpyxl库，读取.xslx文件；

（曾尝试使用xlrd库读取.xsl文件，但无法获取超链接）

安装openpyxl

pip install openpyxl

提取xslx文件中的超链接

示例文件构造

公告日期证券代码公告标题

2018-04-20

603999.SH

读者传媒:2017年年度报告

2018-04-28

603998.SH

方盛制药:2017年年度报告

def  readxlsx(path):
    workbook = openpyxl.load_workbook(path)
    Data_sheet = workbook.get_sheet_by_name("sheet1")
    rowNum = Data_sheet.max_row #读取最大行数
    c =  3  # 第三列是所需要提取的数据
    server =  "http://news.windin.com/ns/"
    for  row  in  range(1, rowNum  +  1):
        link = Data_sheet.cell(row=row, column=c).value
        url = re.split(r""", link)[1]
        print(url)
        downEachPdf(url, server)

获取网页pdf下载地址

进入读者传媒:2017年年度报告，在chrome浏览器中可以按F12查看网页源码，以下截取部分源码：

附件:
  
  603999读者传媒2017年年度报告.pdf    (2.00M)   

可见，herf下载链接在a标签中，可以通过解析html源码获取下载链接。

这里使用BeautifulSoup解析html。

Beautiful Soup 是用Python写的一个HTML/XML的解析器，它可以很好的处理不规范标记并生成剖析树(parse tree)。 它提供简单又常用的导航（navigating），搜索以及修改剖析树的操作。它可以大大节省你的编程时间。

安装BeautifulSoup4

pip install beautifulsoup4

获取pdf下载链接并下载

def  downEachPdf(target, server):
    req = requests.get(url=target)
    html = req.text
    bf = BeautifulSoup(html, features="lxml")
    a = bf.find_all("a")
    for each in a:
        url = server + each.get("href")
        print("downloading:", each.string, url)
        urllib.request.urlretrieve(url, "./report/" + each.string)

同一ip重复访问同一服务器被拒绝

利用以上方法已经能够实现批量网页pdf的下载了，但是，在实际操作过程中，会发现如果同一ip频繁地访问某一服务器，访问会被拒绝（可能被误判为DOS攻击网页上下载的东西在哪，通常做了Rate-limit的网站都会停止响应一段时间网页上下载的东西在哪，你可以Catch这个Exception，sleep一段时间，参考）。因此，对下载逻辑进行了调整。

利用try-catch，具体逻辑是：正常情况下，按次序下载文件，如果同一文件，下载失败次数超过10，则跳过，下载下一个文件，并记录错误信息。

import os
import time
def  downloadXml(flag_exists, file_dir, file_name, xml_url):
    if  not flag_exists:
        os.makedirs(file_dir)
        local = os.path.join(file_dir, file_name)
    try:
        urllib.request.urlretrieve(xml_url, local)
    except  Exception  as e:
        print("the first error: ", e)
        cur_try =  0
        total_try =  10
        if cur_try < total_try:
            cur_try +=  1
            time.sleep(15)
            return downloadXml(flag_exists, file_dir, file_name, xml_url)
    else:
        print("the last error: ")
        with  open(test_dir +  "error_url.txt", "a") as f:
            f.write(xml_url)
        raise  Exception(e)