Python实现复制文档数据

前言

我们百度搜索一些东西得时候，经常找到文档里面

然后就会发现需要充值才能复制！怎么可以不花钱也保存呢？

今天就分享给大家一个python获取文档数据得方法

环境使用

python 3.8

pycharm

模块使用

requests >>> 数据请求模块 pip install requests

docx >>> 文档保存 pip install python-docx

re 内置模块 不需要安装

ctrl + R : 首先你得看得数据, 才能想办法获取

安装python第三方模块

win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车

在pycharm中点击Terminal(终端) 输入安装命令

基本思路流程

一. 分析数据来源

找文档数据内容, 是在那个url里面生成的

通过开发者工具进行抓包分析

1.打开开发者工具: F12 / 鼠标右键点击检查选择network

2.刷新网页: 让本网页数据内容重新加载一遍

如果你是非VIP账号, 看数据, 图片形式 &mdash;> 把数据<图片> 获取下来 &mdash;> 做文字识别

3.分析文库数据内容, 图片所在地址

获取所有图片内容: 文库数据 --> 图片形式 &mdash;> 所有图片内容保存下载

文字识别, 把图片文字识别出来, 保存word文档里面

二. 代码实现步骤

1.发送请求, 模拟浏览器对于url地址发送请求

图片数据包

2.获取数据, 获取服务器返回响应数据

开发者工具: response

3.解析数据, 提取图片链接地址

4.保存数据, 把图片内容保存到本地文件夹

5.做文字识别, 识别文字内容

6.把文字数据信息, 保存word文档里面

代码展示

# 导入数据请求模块
import requests
# 导入格式化输出模块
from pprint import pprint
# 导入base64
import base64
# 导入os模块
import os
# 导入文档模块
from docx import Document
# 导入正则
import re
# 导入json
import json

文字识别:

• 注册一个百度云API账号

• 创建应用 并且去免费领取资源

• 在技术文档里面 Access Token获取

• 调用API接口去做文字识别

def get_content(file):
   # client_id 为官网获取的AK， client_secret 为官网获取的SK
   host = 'https://aip.****.com/oauth/2.0/token?grant_type=client_credentials&client_id=Gu7BGsfoKFZjLGvOKP7WezYv&client_secret=rGa2v2FcVnxBDFlerSW5H0D2eO7nRxdp'
   response = requests.get(host)
   access_token = response.json()['access_token']
   '''
   通用文字识别（高精度版）
   '''
   request_url = "https://aip.****.com/rest/2.0/ocr/v1/accurate_basic"
   # 二进制方式打开图片文件
   f = open(file, 'rb')
   img = base64.b64encode(f.read())
   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()
   # 列表推导式
   words = '\n'.join([i['words'] for i in json_data['words_result']])
   return words

# # 读取文件夹里面所有图片内容
# content_list = []
# files = os.listdir('img\\')
# for file in files:
#     filename = 'img\\' + file
#     words = get_content(file=filename)
#     print(words)
#     content_list.append(words)
#
# # 保存word文档里面
# doc = Document()
# # 添加第一段文档内容
# content = '\n'.join(content_list)
# doc.add_paragraph(content)
# doc.save('data.docx')

link = 'https://wenku.****.com/aggs/74d1a923482fb4daa58d4b8e?index=0&_wkts_=1670327737660&bdQuery=％E7％AD％94％E9％A2％98'
# 请求头
headers = {
   'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'
}
html_data = requests.get(url=link, headers=headers).text
json_data = json.loads(re.findall('var pageData = (.*?);', html_data)[0])
pprint(json_data)
for j in json_data['aggInfo']['docList']:
   name = j['title']  # 名字
   score = j['score'] # 评分
   viewCount = j['viewCount'] # 阅读量
   downloadCount = j['downloadCount'] # 下载量
   docId = j['docId'] # 数据包ID

1.发送请求, 模拟浏览器对于url地址发送请求

长链接, 可以分段写

问号前面: url链接

问号后面: 请求参数/查询参数

# 确定请求链接
   url = 'https://wenku.****.com/gsearch/rec/pcviewdocrec'
   # 请求参数
   data = {
       'docId': docId,
       'query': name,
       'recPositions': ''
   }
   # 请求头
   headers = {
       'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'
   }
   #发送请求
   response = requests.get(url=url, params=data, headers=headers)
   # <Response [200]> 响应对象, 200 表示请求成功
   print(response)

2.获取数据, 获取服务器返回响应数据

开发者工具: response

• response.json() 获取响应json字典数据, 但是返回数据必须是完整json数据格式 花括号 {}

• response.text 获取响应文本数据, 返回字符串 任何时候都可以, 但是基本获取网页源代码的时候

• response.content 获取响应二进制数据, 返回字节 保存图片/音频/视频/特定格式文件

• print(response.json()) 打印字典数据, 呈现一行

• pprint(response.json()) 打印字典数据, 呈现多行, 展开效果

3.解析数据, 提取图片链接地址

字典取值: 键值对 根据冒号左边内容[键], 提取冒号右边的内容[值]

# 定义文件名 整型
   num = 1
   # for循环遍历, 把列表里面元素一个一个提取出来
   for index in response.json()['data']['relateDoc']:
       # index 字典呀
       pic = index['pic']
       print(pic)

# # 4. 保存数据  发送请求 + 获取数据 二进制数据内容
       # img_content = requests.get(url=pic, headers=headers).content
       # # 'img\\'<文件夹名字> + str(num)<文件名> + '.jpg'<文件后缀>  mode='wb' 保存方式, 二进制保存
       # # str(num) 强制转换成 字符串
       # # '图片\\' 相对路径, 相对于你代码的路径 你代码在那个地方, 那个代码所在地方图片文件夹
       # with open('图片\\' + str(num) + '.jpg', mode='wb') as f:
       #     # 写入数据 保存数据  把图片二进制数据保存
       #     f.write(img_content)
       # # 每次循环 + 1
       # print(num)
       # num += 1

来源：https://blog.csdn.net/python56123/article/details/128308881