【第2篇】Python爬虫实战-PPT模板素材下载_大鹏展翅

目标网址： https://www.ypppt.com/

目录

1、页面结构分析

第①步：解析模板列表

第②步：进入到模板详情页，点击下载

第③步：进入模板下载页，点击下载

2、网站反爬措施

3、编码程序代码

4、程序测试结果

---

1、页面结构分析

 通过页面，我们可以确定我们采集的步骤。

第①步：解析模板列表

第②步：进入到模板详情页，点击下载

第③步：进入模板下载页，点击下载

2、网站反爬措施

经过测试，遇到该网站主要的反爬措施有以下几种情况。

①字符编码反爬，网站使用的字符编码是ISO-8859-1,对响应进行转码即可避免

②Cookie反爬，Cookie会不定时失效，有时候可用性很短，有时候可用性又很长。失效的时候更新一下Cookie即可，如果失效，响应状态码为503

3、编码程序代码

#!/usr/bin/python
# -*- coding: UTF-8 -*-
"""
@author: Roc-xb
"""

import os
import requests
from lxml import etree

headers = {
    'authority': 'www.ypppt.com',
    'pragma': 'no-cache',
    'cache-control': 'no-cache',
    'sec-ch-ua': '"Chromium";v="92", " Not A;Brand";v="99", "Google Chrome";v="92"',
    'sec-ch-ua-mobile': '?0',
    'upgrade-insecure-requests': '1',
    'dnt': '1',
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36',
    'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
    'sec-fetch-site': 'same-origin',
    'sec-fetch-mode': 'navigate',
    'sec-fetch-user': '?1',
    'sec-fetch-dest': 'document',
    'referer': 'https://www.ypppt.com/moban/jiaoyu/list-2.html',
    'accept-language': 'zh-CN,zh;q=0.9',
    'cookie': '__yjs_duid=1_6a0e3e92bfb2bf6fc44bcebab809fa271631401047877; yjs_js_security_passport=fbdf2cbff3fdc4ffbed9f5e215f2cfe87c0b9f33_1631401050_js',
}


# 获取模板列表
def get_moban_list(page_url, page=1):
    print(f"正在下载第{page}页".center(100, "*"))
    requests_url = page_url
    if page > 1:
        requests_url = page_url + f"list-{page}.html"
    res = requests.get(requests_url, headers=headers)
    res.encoding = res.apparent_encoding
    dom = etree.HTML(res.text)
    ul = dom.xpath("/html/body/div[2]/ul/li")
    for li in ul:
        url = "https://www.ypppt.com" + li.xpath('./a//@href')[0]
        get_moban_download_page(url)
    # 判断是否有下一页
    next_page = dom.xpath('//div[@class="page-navi"]//text()')
    if "下一页" in next_page:
        get_moban_list(page_url, page + 1)


# 进入模板详情页
def get_moban_download_page(url):
    res = requests.get(url, headers=headers)
    res.encoding = res.apparent_encoding
    dom = etree.HTML(res.text)
    try:
        download_url = dom.xpath('/html/body/div[2]/div[1]/div/div[1]/div[2]/a//@href')[0]
    except Exception:
        download_url = dom.xpath('/html/body/div[2]/div[2]/div/div[1]/div[2]/a//@href')[0]
    url = "https://www.ypppt.com" + download_url
    print("模板下载页面:", url)
    get_moban_download_url(url)


# 进入模板下载页
def get_moban_download_url(url):
    res = requests.get(url, headers=headers)
    res.encoding = res.apparent_encoding
    dom = etree.HTML(res.text)
    download_url = dom.xpath('/html/body/div[1]/div/ul/li[1]/a//@href')[0]
    print("模板下载地址：", download_url)
    downlaod_file(download_url)


# 下载文件
def downlaod_file(url):
    r = requests.get(url, headers=headers)
    file_dir = os.getcwd() + '\\个人简历\\'
    if not os.path.exists(file_dir):
        os.makedirs(file_dir)
        print("目录创建成功")
    file_name = file_dir + str(url).split("/")[-1]
    with open(file_name, 'wb') as f:
        f.write(r.content)
    print("文件下载成功:", file_name)
    print("".center(100, "*"))


if __name__ == '__main__':
    get_moban_list('https://www.ypppt.com/moban/jianli/')

4、程序测试结果