Python采集网站VIP文档，实现图片文字识别，并保存word格式！
哈喽兄弟们我们平常需要下载文档的时候，是不是发现，要么不能下载，要么不能复制，就能难受。
常见的文档网站很多，但是这里就不一一说名字了，emmm
那么我们今天来分享一下，如何用Python将这些不给下载的文档给批量下载下来。
你需要准备
开发环境
python 3.8
pycharm
模块使用
两个需要安装的第三方模块，安装命令也写出来了。
requests --> pip install requests
re
base64
docx --> pip install python-docx
本文实现思路
一、数据来源分析
[*]明确需求
明确采集网址以及数据内容是什么?
网址: https://www.docin.com/p-3282300896.html
数据: 文档内容
[*]抓包分析, 我们需要数据内容是可以请求那个链接能够得到
文档形式: 图片样式
通过浏览器自带工具: 开发者工具抓包
打开开发者工具: F12 / 右键点击检查选择network
刷新网页
开发者工具搜索: docinpic
文档图片数据
链接: http://221.122.117.73/docinpic.jsp
sid: P1ekRarOT5ID*deCCfQPHapgA9Z5X3NNn0xfBxPIDApUnSY9yIVtfuxey1BsO1BG
file: 文档ID
width: 图片分辨率
pageno: 页码
二、代码实现步骤
[*]发送请求, 模拟浏览器对于 文档页面url地址 发送请求
请求链接: https://www.docin.com/p-3282300896.html
[*]获取数据, 获取服务器返回响应数据
[*]解析数据, 提取我们需要的内容:
sid参数 / 文档页数 / 文档名称
构建文档图片链接
[*]保存数据, 把文档图片内容保存下来
通过文字识别, 把图片里面文字识别出来, 保存文档里面就可以了
会使用百度云API接口:
1. 注册登陆百度云API
2. 选择文字识别, 创建应用, 领取免费资源, 点击技术文档
3. 先获取token值
4. API调用的文档代码
代码展示
文字识别
doc = Document()
def Content(content):
url = "https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=xxxx&client_secret=xxxx"
payload = ""
headers = {
'Content-Type': 'application/json',
'Accept': 'application/json'
}
response = requests.request("POST", url, headers=headers, data=payload)
access_token = response.json()['access_token']
request_url = "https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic"
# 二进制方式打开图片文件
# 完整源码和视频讲解都打包好
# 放在这个Q裙了：708525271
# f = open('img\\1 计算机概述1.jpg', 'rb')
img = base64.b64encode(content)
params = {"image":img}
request_url = request_url + "?access_token=" + access_token
headers = {'content-type': 'application/x-www-form-urlencoded'}
json_data = requests.post(request_url, data=params, headers=headers).json()
words_result = '\n'.join( for i in json_data['words_result']])
print(words_result)
发送请求
# 模拟浏览器 --> 字典数据类型 --> 键:值
headers = {
# User-Agent 用户代理 表示浏览器基本身份信息
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36'
}
# 请求链接
url = 'https://www.docin.com/p-3282300896.html'
# 发送请求
response = requests.get(url=url, headers=headers)
获取数据、解析数据
# 获取网页数据
html_data = response.text
# 提取sid参数
sid = re.findall('flash_param_hzq:"(.*?)",', html_data)
# 提取名字
name = re.findall('productName:"(.*?)",', html_data)
# 提取页码
num = re.findall('<em>(\d+)</em>页</span>', html_data)
# 构建完整图片链接
content_list = []
for page in range(1, int(num)+1):
# 字符串格式化方法
img = f'http://221.122.117.73/docinpic.jsp?sid={sid}&file=3282300896&width=942&pageno={page}'
保存数据, 把文档图片内容保存下来
# 发送请求, 获取二进制数据<图片内容>
img_content = requests.get(url=img, headers=headers).content
words = Content(img_content)
doc.add_paragraph(words)
完整代码+视频步骤详解全部都打包好了，文末名片自己拿哦！
好了，今天的分享就到这结束了，下次见！
来源:https://www.cnblogs.com/hahaa/p/17545294.html
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！
页:
[1]