亲宝软件园·资讯

展开

python 自动下载网站文件 用Python自动下载网站所有文件

somenzz 人气:0
想了解用Python自动下载网站所有文件的相关内容吗,somenzz在本文为您仔细讲解python 自动下载网站文件的相关知识和一些Code实例,欢迎阅读和指正,我们先划重点:python,自动下载文件,python,下载网站文件,下面大家一起来学习吧。

最近维基 jie mi 彻底公开了网站的全部文件,我就在想如何使用 Python 将其下载到本地永久保存,于是就有了这篇文章,写爬虫会遇到很多坑,借鉴他人经验,考虑越全面,出错的概率就越小。

假如一个网站,里面有很多链接,有指向文件的,有指向新链接的,新的链接点击进去后,仍然是有指向文件的,有指向新链接的,类似一个文件夹,里面即有文件,又有目录,目录中又有文件和目录。如何从这样的网站上下载所有的文件,并按网站的目录结构来保存这些文件呢?

关键词:Python、下载、正则表达式、递归。

按照自顶向下来设计程序,我们整理自己的思路,然后使用 Python 语言来翻译下即可。

思路:由于目录的深度不固定,也不可能穷举,且每一个目录的处理方式和子目录父目录的处理流程都是一样的,因此我们可以使用递归来下载所有文件。

递归代码必须要有退出条件,退出条件要放在前面,本例中的递归退出条件就是:如果是文件就下载,下载完递归函数即完成任务。

总体思路:

1、给定一个 url,判断是否是文件,如果是文件,下载即可,然后函数结束。

2、如果给定 url 不是文件,那么访问该 url,并获取它下面的所有链接。

3、遍历步骤 2 产生的所有链接,递归的执行步骤 1 和 2,直到程序运行结束。

以上思路,用代码描述如下:

import urllib.request
import requests
import re, os


def get_file(url):
 '''
 递归下载网站的文件
 :param url:
 :return:
 '''
 if isFile(url):
  print(url)
  try:
   download(url)
  except:
   pass
 else:
  urls = get_url(url)
  for u in urls:
   get_file(u)

前面导入的包在接下来函数中会用到,下面就是逐渐层向下,实现子功能。

判断链接是否指向文件:

这里总结 url 规律,很容易写出。

def isFile(url):
 '''
 判断一个链接是否是文件
 :param url:
 :return:
 '''
 if url.endswith('/'):
  return False
 else:
  return True

下载文件:

下载文件时要从 url 中获取文件应该存储的位置,并使用 os.makedirs 来创建多级目录。然后使用 urllib.request.urlretrieve 来下载文件。

def download(url):
 '''
 :param url:文件链接
 :return: 下载文件,自动创建目录
 '''
 full_name = url.split('//')[-1]
 filename = full_name.split('/')[-1]
 dirname = "/".join(full_name.split('/')[:-1])
 if os.path.exists(dirname):
  pass
 else:
  os.makedirs(dirname, exist_ok=True)
 urllib.request.urlretrieve(url, full_name)

获取 url 下的所有链接:

这里要具体网站具体分析,看看如何使用正则表达式获取网页中的链接,这样的正则表达式可以说是再简单不过了。

def get_url(base_url):
 '''
 :param base_url:给定一个网址
 :return: 获取给定网址中的所有链接
 '''
 text = ''
 try:
  text = requests.get(base_url).text
 except Exception as e:
  print("error - > ",base_url,e)
  pass
 reg = '<a href="(.*)" rel="external nofollow" >.*</a>'
 urls = [base_url + url for url in re.findall(reg, text) if url != '../']
 return urls

这里有个小坑,就是网站有个链接是返回上级页面的,url 的后辍是 '../' 这样的链接要去掉,否则递归函数就限入了死循环。

接下来就是写主函数,执行任务了,慢慢等它下载完吧。

if __name__ == '__main__':
 get_file('https://file.wikileaks.org/file/')

其实,还会存两个问题:

1、假如网站某页有个链接它指向了首页,那么递归程序仍然会限入一个死循环,解决方法就是将访问过的 url 保存在一个列表里(或者其他数据结构),如果接下来要访问的 url 不在此列表中,那么就访问,否则就忽略。

2、如果下载的过程中程序突然报错退出了,由于下载文件较慢,为了节约时间,那么如何让程序从报错处继续运行呢?这里可采用分层递归,一开始时先获取网站的所有一级 url 链接,顺序遍历这些一级 url 链接,执行上述的 get_file(url) ,每访问一次一级 url 就将其索引位置加1(索引位置默认为0,存储在文件中或数据库中),程序中断后再运行时先读取索引,然后从索引处开始执行即可。另外,每下载成功一个文件,就把对应的 url 也保存在文件中或数据库中,如果一级 url 下的链接已经下载过文件,那么就不需要重新下载了。

加载全部内容

相关教程
猜你喜欢
用户评论