摘要：頭兩天神游網(wǎng)上，無(wú)意間發(fā)現(xiàn)個(gè)可以免費(fèi)下載電子書的網(wǎng)站，一下子就勾起了我的收藏癖，心癢癢的要把這些書下載下來(lái)，正好前不久的作者出了一個(gè)新庫(kù)，它不僅可以請(qǐng)求網(wǎng)頁(yè)，還可以解析文檔，話不多說(shuō)，咱開(kāi)始吧。安裝安裝很簡(jiǎn)單，只要執(zhí)行就可以了。

頭兩天神游網(wǎng)上，無(wú)意間發(fā)現(xiàn)個(gè)可以免費(fèi)下載電子書的網(wǎng)站，一下子就勾起了我的收藏癖，心癢癢的要把這些書下載下來(lái)，正好前不久 requests 的作者 kennethreitz 出了一個(gè)新庫(kù) requests-html ，它不僅可以請(qǐng)求網(wǎng)頁(yè)，還可以解析 HTML 文檔，話不多說(shuō)，咱開(kāi)始吧。

安裝很簡(jiǎn)單，只要執(zhí)行：

pip install requests-html

就可以了。

通過(guò)瀏覽器審查元素可以發(fā)現(xiàn)這個(gè)電子書網(wǎng)站是用 WordPress 搭建的，首頁(yè)列表元素很簡(jiǎn)單，很規(guī)整，

所以我們可以查找 .entry-title > a 獲取所有圖書詳情頁(yè)的鏈接，接著我們進(jìn)入詳情頁(yè)，來(lái)尋找下載鏈接，由下圖

可以發(fā)現(xiàn) .download-links > a 里的鏈接就是該書的下載鏈接，回到列表頁(yè)可以發(fā)現(xiàn)該站一共 700 多頁(yè)，由此我們便可以循環(huán)列表獲取所有的下載鏈接。

發(fā)送一個(gè) GET 請(qǐng)求：

from requests_html import HTMLSession
session = HTMLSession()

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

Requests-html 的方便之處就是它解析 html 方式就像使用 jQuery 一樣簡(jiǎn)單，比如：

# 獲取頁(yè)面的所有鏈接可以這樣寫：
r.html.links
# 會(huì)返回 {"http://docs.python.org/3/tutorial/", "/about/apps/"}

# 獲取頁(yè)面的所有的絕對(duì)鏈接：
r.html.absolute_links
# 會(huì)返回 {"https://github.com/python/pythondotorg/issues", "https://docs.python.org/3/tutorial/"}

# 通過(guò) CSS 選擇器選擇元素：
about = r.find(".about", first=True)
# 參數(shù) first 表示只獲取找到的第一元素
about.text # 獲取 .about 下的所有文本
about.attrs # 獲取 .about 下所有屬性像 id, src, href 等等
about.html # 獲取 .about 的 HTML
about.find("a") # 獲取 .about 下的所有 a 標(biāo)簽

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"
]

# 獲取當(dāng)前列表頁(yè)所有圖書鏈接
def get_list(url):
    response = session.get(url)
    all_link = response.html.find(".entry-title a") # 獲取頁(yè)面所有圖書詳情鏈接
    for link in all_link:
        getBookUrl(link.attrs["href"])

# 獲取圖書下載鏈接
def getBookUrl(url):
    response = session.get(url)
    l = response.html.find(".download-links a", first=True)
    if l is not None: # 運(yùn)行后發(fā)現(xiàn)有的個(gè)別頁(yè)面沒(méi)有下載鏈接，這里加個(gè)判斷
        link = l.attrs["href"];
        download(link)

#下載圖書
def download(url):
    # 隨機(jī)瀏覽器 User-Agent
    headers={ "User-Agent":random.choice(USER_AGENTS) }
    # 獲取文件名
    filename = url.split("/")[-1]
    # 如果 url 里包含 .pdf
    if ".pdf" in url:
        file = "book/"+filename # 文件路徑寫死了，運(yùn)行時(shí)當(dāng)前目錄必須有名 book 的文件夾
        with open(file, "wb") as f:
            print("正在下載 %s" % filename)
            response = requests.get(url, stream=True, headers=headers)
            
            # 獲取文件大小
            total_length = response.headers.get("content-length")
            # 如果文件大小不存在，則直接寫入返回的文本
            if total_length is None: 
                f.write(response.content)
            else:
                # 下載進(jìn)度條
                dl = 0
                total_length = int(total_length) # 文件大小
                for data in response.iter_content(chunk_size=4096): # 每次響應(yīng)獲取 4096 字節(jié)
                    dl += len(data)
                    f.write(data)
                    done = int(50 * dl / total_length)
                    sys.stdout.write("
[%s%s]" % ("=" * done, " " * (50-done)) ) # 打印進(jìn)度條   
                    sys.stdout.flush()

            print(filename + "下載完成！")

if __name__ == "__main__":
    #從這運(yùn)行，應(yīng)為知道列表總數(shù)，所以偷個(gè)懶直接開(kāi)始循環(huán)
    for x in range(1,756):
        print("當(dāng)前頁(yè)面: "+ str(x))
        get_list(list_url+str(x))

我的公眾號(hào)喔噢實(shí)驗(yàn)室，歡迎交流~