python批量爬取文档

Posted 2021-02-12 Wind·Chaser

　　最近项目需要将批量链接中的pdf文档爬下来处理，根据以下步骤完成了任务：

1. 将批量下载链接copy到text中，每行1个链接；
2. 再读txt文档构造url_list列表，利用readlines返回以行为单位的列表；
3. 利用str的rstrip方法，删除 string 字符串末尾的指定字符（默认为空格）；
4. 调用getFile函数：
   1. 通过指定分隔符‘/’对字符串进行切片，取list的最后一列即链接文档名作为下载文件名。
   2. 调用urlopen,调用read、write方法完成下载

　　参考资料：

• https://blog.csdn.net/zhrq95/article/details/79300411
• https://blog.csdn.net/yllifesong/article/details/81044619

 1 import urllib.request
 2 import os
 3 
 4 def getFile(url):
 5     file_name = url.split(‘/‘)[-1]
 6     u = urllib.request.urlopen(url)
 7     f = open(file_name, ‘wb‘)
 8     block_sz = 8192
 9     while True:
10         buffer = u.read(block_sz)
11         if not buffer:
12             break
13         f.write(buffer)
14     f.close()
15     print("Sucessful to download" + " " + file_name)
16 
17 os.chdir(os.path.join(os.getcwd(), ‘pdf_download‘))
18 
19 f=open(‘E:/VGID_Text/url_list.txt‘)
20 url_list=f.readlines()
21 url_lst=[]
22 for line in url_list:
23     line=line.rstrip("
")
24     getFile(line)