前往小程序，Get更优阅读体验！
立即前往
文档建议反馈控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
发布
首页
学习
活动
专区
工具
TVP最新优惠活动
返回腾讯云官网
社区首页 >专栏 >【Python爬虫实战入门】：教你一个程序实现PPT模版自由

【Python爬虫实战入门】：教你一个程序实现PPT模版自由

作者头像
用户11062259
发布于 2024-05-14 08:16:03
990
发布于 2024-05-14 08:16:03
举报
文章被收录于专栏：C语言基础C语言基础
文章目录

  • 💥一、PPT模版爬取
    • 🔥1.1 第一个爬虫
      • 🚲1. 获取下载页面链接
    • ❤️1.2 第二个爬虫
    • 🚲1.3 第三个爬虫
      • 🎈2. 文件保存
    • ❤️1.4 翻页处理
  • 🔥二、完整代码

💥一、PPT模版爬取

🛤️目标网址

https://www.ypppt.com/moban/

关于第三方模块requests：

Python 的第三方模块 requests 是一个非常流行的 HTTP 客户端库，用于发送各种 HTTP 请求。它由 Kenneth > Reitz 开发，并被广泛用于 Python 社区。以下是 requests 模块的一些主要特点：

  1. 简单易用：requests 的 API 设计简洁，使得发送 HTTP 请求变得非常简单。
  2. 跨平台：它支持 Python 2.7 和 3.4+ 版本，可以在多种操作系统上运行。
  3. 国际化：支持国际域名和 URL。
  4. HTTP 连接保持：可以持久化连接，减少连接建立的开销。
  5. 支持多部分文件上传：方便地上传文件。
  6. 支持 Sessions：允许跨请求保持某些参数，如 cookies。
  7. 可连接的流式请求：可以方便地下载大文件。
  8. 支持同步和异步操作：虽然 requests 本身是同步的，但可以与异步框架如 grequests 或 aiohttp 结合使用。
  9. SSL 证书验证：默认情况下会验证 SSL 证书。
  10. 社区支持：由于其流行度，requests 有一个活跃的社区，可以快速获得帮助和支持。

安装：pip install requests

✈1.1 爬虫框架 💥思路：

  1. 模板的主页链接：https://www.ypppt.com/moban/
  2. 获取某一个PPT的下载页面链接：https://www.ypppt.com/p/d.php?aid=8257
  3. 获取下载链接
代码语言：javascript
复制
# 导入请求模块
import requests

# 伪装
headers = {
    'User-Agent': '浏览器信息',
    'Cookie': '浏览器信息'
}

url = '目标网址'

# 请求网址获得响应
res = requests.get(url, headers=headers)
🔥1.1 第一个爬虫

根据我们的思路，首先我们要写第一个爬虫来从模版首页获取PPT编号

🛤️目标网址：https://www.ypppt.com/moban/ 🛤️浏览器信息：

在这里插入图片描述
在这里插入图片描述
代码语言：javascript
复制
# 导入请求模块
import requests

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36',
    'Cookie': 'Hm_lvt_45db753385e6d769706e10062e3d6453=1715320446; __gads=ID=f965cafb7bccd599:T=1715320445:RT=1715320445:S=ALNI_MYHKs8_kMiTTQssHwk_I4unaHm1zQ; __gpi=UID=00000e15cb8f6b9a:T=1715320445:RT=1715320445:S=ALNI_MZWVWyERCMXvsHDoW2WB20RuXSXEg; __eoi=ID=d8be83a85bd77edf:T=1715320445:RT=1715320445:S=AA-AfjZv_F_ROl0rslGv9LnpXhIp; Hm_lpvt_45db753385e6d769706e10062e3d6453=1715320500'
}

url = 'https://www.ypppt.com/moban/'

# 请求网址获得响应
res = requests.get(url, headers=headers, verify=False)
print(res.text)

注意：在使用 Python 的 requests 库发送 HTTP 请求时，verify 参数是一个布尔值，它控制着 SSL 证书验证的行为。

  • 当 verify=True（默认设置）时，requests 会验证 SSL 证书的有效性。这意味着 requests 将检查你正在与之通信的服务器是否拥有一个有效的、由受信任的证书颁发机构签发的 SSL 证书。如果证书无效或过期，或者与请求的主机名不匹配，requests 将抛出一个 SSLError 异常。
  • 当 verify=False 时，requests 将不会验证 SSL 证书的有效性。这通常用于测试环境或某些特定情况下，服务器使用自签名证书或不安全的连接，而你又不希望因为证书验证而中断请求。

使用 verify=False 会降低安全性，因为它允许连接到可能不安全的服务器，这可能使你的应用程序容易受到中间人攻击。因此，除非有充分的理由，否则不建议在生产环境中禁用 SSL 证书验证。

此外，verify 参数也可以是一个字符串，指定一个文件路径，该文件包含多个受信任的SSL证书的路径。这允许你使用自定义的证书颁发机构的证书。 示例：

代码语言：javascript
复制
import requests

# 默认情况下，verify 为 True，将验证 SSL 证书
response = requests.get('https://example.com', verify=True)

# 禁用 SSL 证书验证
response = requests.get('https://example.com', verify=False)

# 使用自定义证书
response = requests.get('https://example.com', verify='path/to/custom/cert.pem')

在处理金融数据、用户个人信息或其他敏感数据时，确保 SSL 证书验证是启用的非常重要，以维护数据的安全性和完整性。

注意：在写爬虫的时候如果遇到SSL的错误，也就是证书检查，可以使用verify=False来忽略证书检查！

在这里插入图片描述
在这里插入图片描述

由于我们忽略了证书检查，所以每次运行都会有一个警告，忽略警告的代码如下：

代码语言：javascript
复制
# 导入请求模块
import requests
# 忽略警告
import urllib3
urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36'
}

url = 'https://www.ypppt.com/moban/'

# 请求网址获得响应
res = requests.get(url, headers=headers, verify=False)
print(res.text)
在这里插入图片描述
在这里插入图片描述

☔解决乱码问题 从上面的截图可以看出，打印出来的内容有许多我们不认识的符号，比如：è½½_幻灯片模板下载 -【优å，这就是乱码造成的 我们可以通过改变编码方式来解决：

代码语言：javascript
复制
# 导入请求模块
import requests
# 忽略警告
import urllib3
urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36'
}

url = 'https://www.ypppt.com/moban/'

# 请求网址获得响应
res = requests.get(url, headers=headers, verify=False)
# 编码改成utf-8
res.encoding = 'utf-8'
print(res.text)
在这里插入图片描述
在这里插入图片描述
🚲1. 获取下载页面链接

我们可以通过正则表达式来获取PPT的下载页面链接

Python 的 re 模块是一个用于正则表达式操作的内置库，它提供了丰富的功能来处理字符串和模式匹配。正则表达式是一种用于字符串搜索和操作的强大工具，它们使用单个字符串来描述、匹配一系列符合某个句法规则的字符串。

re 模块的一些常用功能和方法：

  1. 模式匹配 (re.match(), re.search(), re.findall(), re.finditer(), re.match())：这些方法用于在字符串中查找与正则表达式模式相匹配的子串。
  2. 字符串替换 (re.sub(), re.subn())：用于替换字符串中的匹配项。
  3. 捕获组：正则表达式中的圆括号 () 用于创建捕获组，允许你捕获匹配表达式的部分内容。
  4. 编译正则表达式 (re.compile())：允许你编译一个正则表达式模式，然后使用编译后的模式进行匹配和其他操作。
  5. 特殊序列：如 \d 表示数字，\w 表示字母、数字或下划线，. 表示任意单个字符等。
  6. 量词：如 * 表示0次或多次，+ 表示1次或多次，? 表示0次或1次，{m,n} 表示m到n次。
  7. 贪婪与非贪婪：默认情况下，量词是贪婪的，尽可能多地匹配字符。添加一个问号 ? 可以使量词变为非贪婪的，尽可能少地匹配字符。
  8. 特殊字符转义：使用反斜杠 \ 来转义正则表达式中的特殊字符，如 . 匹配字面意义上的点（.）。
  9. 正则表达式标志：如 re.IGNORECASE 或 re.I 用于忽略大小写，re.MULTILINE 或 re.M 用于多行匹配。
代码语言：javascript
复制
# 导入请求模块
import requests
import re
# 忽略警告
import urllib3
urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36'
}

url = 'https://www.ypppt.com/moban/'

# 请求网址获得响应
res = requests.get(url, headers=headers, verify=False)
# 提取数据
res.encoding = 'utf-8'  # 编码改成utf-8
# print(res.text)
pptId = re.findall('href="/article/.*?/(.*?).html" class="p-title"', res.text)
print(pptId)
在这里插入图片描述
在这里插入图片描述

👊构造PPT下载页面链接

代码语言：javascript
复制
for i in pptId:
    # 构造新的链接
    url = 'https://www.ypppt.com/p/d.php?aid=' + i
    print(url)
在这里插入图片描述
在这里插入图片描述

注意：构造出来的链接不是PPT的下载链接，这是PPT下载页面链接。

❤️1.2 第二个爬虫
代码语言：javascript
复制
for i in pptId:
    # 构造新的链接
    url1 = 'https://www.ypppt.com/p/d.php?aid=' + i
    # print(url)
    res1 = requests.get(url1, headers=headers, verify=False)
    print(res1.text)
在这里插入图片描述
在这里插入图片描述

在第二次请求的时候我们就可以获取PPT模版的下载地址，接下来就和上面的数据提取一样，利用正则表达式将我们的PPT下载链接提取出来即可。

代码语言：javascript
复制
for i in pptId:
    # 构造新的链接
    url1 = 'https://www.ypppt.com/p/d.php?aid=' + i
    # print(url)
    res1 = requests.get(url1, headers=headers, verify=False)
    # print(res1.text)
    # 提取数据
    down_url = re.findall('href="(.*?)">下载地址1</a>', res1.text)[0]
    print(down_url)
在这里插入图片描述
在这里插入图片描述

我们发现我们获取的链接的后缀名是不同的，另外这些PPT都是没有名字的，不方便后续保存。所以这里我们要修改一下，不单单只获取PPT的编号，还需要获取PPT的标题，根据标题等信息作为保存PPT模版的文件名。

代码语言：javascript
复制
ppt_info = re.findall('href="/article/.*?/(.*?).html" class="p-title" target="_blank">(.*?)</a>', res.text)
print(ppt_info)
在这里插入图片描述
在这里插入图片描述

可以看到得到的数据是一个列表嵌套这元组，直接通过循环获取ID和标题即可。

代码语言：javascript
复制
ppt_info = re.findall('href="/article/.*?/(.*?).html" class="p-title" target="_blank">(.*?)</a>', res.text)
for i, title in ppt_info:
    # 构造新的链接
    url1 = 'https://www.ypppt.com/p/d.php?aid=' + i
    res1 = requests.get(url1, headers=headers, verify=False)
    # print(res1.text)
    # 提取数据
    down_url = re.findall('href="(.*?)">下载地址1</a>', res1.text)[0]
    print(title, down_url)
在这里插入图片描述
在这里插入图片描述

对于链接的后缀名的不同，我们可以对链接以 . 进行切割，然后取最后一个就是他的后缀名。

代码语言：javascript
复制
suffix = down_url.split(".")[-1]  # 获取后缀名
在这里插入图片描述
在这里插入图片描述
🚲1.3 第三个爬虫
代码语言：javascript
复制
res2 = requests.get(down_url, headers=headers, verify=False)

通过第三次请求去下载PPT模版。

🎈2. 文件保存
代码语言：javascript
复制
open(f'PPT模版/{title}-{i}.{suffix}', 'wb').write(res2.content)

这里为了避免文件名相同，我们在标题的后面加上他们的id号，文件的后缀名就是我们获取到的后缀名。

❤️1.4 翻页处理

要进行翻页处理，我们只需要观察不同页数的url的变化规律即可。

在这里插入图片描述
在这里插入图片描述

我们发现，除了第一页的url外，从第二页开始，url都是规律变化的，那首先我们可以尝试一下在第一页的url后面加上list-1.html，看是否可以访问，如果可以就直接加上，如果不可以，那我们就单独判断一下就可以了。

在这里插入图片描述
在这里插入图片描述

可以发现，加上后这个链接是无法访问的，所以我们只能单独的进行判断。

代码语言：javascript
复制
page = 1  # 页数, 从第一页开始
while True:
    if page == 1:
        # 第一页
        url = 'https://www.ypppt.com/moban/'
    else:
        # 从第二页开始
        url = f'https://www.ypppt.com/moban/list-{page}.html'
    # 请求网址获得响应
    res = requests.get(url, headers=headers, verify=False)
    # 提取数据
    res.encoding = 'utf-8'  # 编码改成utf-8
    # print(res.text)
    ppt_info = re.findall('href="/article/.*?/(.*?).html" class="p-title" target="_blank">(.*?)</a>', res.text)
    for i, title in ppt_info:
        # 构造新的链接
        url1 = 'https://www.ypppt.com/p/d.php?aid=' + i
        res1 = requests.get(url1, headers=headers, verify=False)
        # print(res1.text)
        # 提取数据
        down_url = re.findall('href="(.*?)">下载地址1</a>', res1.text)[0]
        suffix = down_url.split(".")[-1]  # 获取后缀名
        res2 = requests.get(down_url, headers=headers, verify=False)
        open(f'PPT模版/{title}-{i}.{suffix}', 'wb').write(res2.content)
    page += 1  # 爬完之后页数+1

到这里其实还有一个问题没有解决，除了以链接下载PPT模版外，还有通过百度网盘链接下载的，这个由于有些复杂，另外通过网盘下载的模版数量很少，这里我们可以直接跳过不下载。

代码语言：javascript
复制
if 'pan.baidu' in down_url:  # 百度网盘下载
    continue
else:
    suffix = down_url.split('.')[-1]  # 获取后缀名
🔥二、完整代码
代码语言：javascript
复制
# 导入请求模块
import requests
import re
# 忽略警告
import urllib3
urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36'
}

page = 1  # 页数, 从第一页开始
while True:
    if page == 1:
        # 第一页
        url = 'https://www.ypppt.com/moban/'
    else:
        # 从第二页开始
        url = f'https://www.ypppt.com/moban/list-{page}.html'
    # 请求网址获得响应
    res = requests.get(url, headers=headers, verify=False)
    # 提取数据
    res.encoding = 'utf-8'  # 编码改成utf-8
    # print(res.text)
    ppt_info = re.findall('href="/article/.*?/(.*?).html" class="p-title" target="_blank">(.*?)</a>', res.text)
    for i, title in ppt_info:
        # 构造新的链接
        url1 = 'https://www.ypppt.com/p/d.php?aid=' + i
        res1 = requests.get(url1, headers=headers, verify=False)
        # print(res1.text)
        # 提取数据
        down_url = re.findall('href="(.*?)">下载地址1</a>', res1.text)[0]
        if 'pan.baidu' in down_url:  # 百度网盘下载
            continue
        else:
            suffix = down_url.split('.')[-1]  # 获取后缀名
        res2 = requests.get(down_url, headers=headers, verify=False)
        open(f'PPT模版/{title}-{i}.{suffix}', 'wb').write(res2.content)
        print(f'已成功下载{title}-{i}.{suffix}')
    page += 1  # 爬完之后页数+1
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
本文参与 腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。
原始发表：2024-05-14，如有侵权请联系 cloudcommunity@tencent.com 删除
python
爬虫
正则表达式
入门
数据

本文分享自 作者个人站点/博客 前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ，欢迎热爱写作的你一起参与！

python
爬虫
正则表达式
入门
数据
评论
登录后参与评论
0 条评论
热度
最新
登录 后参与评论
推荐阅读
LV.
文章
0
获赞
0
目录
  • 文章目录
  • 💥一、PPT模版爬取
    • 🔥1.1 第一个爬虫
      • 🚲1. 获取下载页面链接
    • ❤️1.2 第二个爬虫
      • 🚲1.3 第三个爬虫
        • 🎈2. 文件保存
      • ❤️1.4 翻页处理
      • 🔥二、完整代码
      相关产品与服务
      SymantecSSL 证书
      产品介绍
      领券

      腾讯云开发者

      扫码关注腾讯云开发者

      扫码关注腾讯云开发者

      领取腾讯云代金券

      热门产品

      热门推荐

      更多推荐

      Copyright © 2013 - 2024 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有 

      深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 深公网安备号 44030502008569

      腾讯云计算（北京）有限责任公司 京ICP证150476号 |  京ICP备11018762号 | 京公网安备号11010802020287

      问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档

      Copyright © 2013 - 2024 Tencent Cloud.

      All Rights Reserved. 腾讯云 版权所有

      登录 后参与评论