某文库的文档一直要氪金才能下载，还好我会Python，轻松实现白嫖！

基本开发环境💨

• Python 3.6
• Pycharm

相关模块的使用💨

import os
import requests
import time
import re
import json
from docx import Document
from docx.shared import Cm

安装Python并添加到环境变量，pip安装需要的相关模块即可。

💥目标网页分析

网站的文档内容，都是以图片形式存在的。它有自己的数据接口

接口链接：

https://openapi.book118.com/getPreview.html?&project_id=1&aid=272112230&t=f2c66902d6b63726d8e08b557fef90fb&view_token=SqX7ktrZ_ZakjDI@vcohcCwbn_PLb3C1&page=1&callback=jQuery18304186406662159248_1614492889385&_=1614492889486

接口的请求参数

整体思路

• 请求网页返回response数据（字符串）
• 通过re模块匹配提取中间的数据（列表）索引取0（字符串）
• 通过json模块是把提取出来的数据转换成json模块
• 通过遍历获取每张图片的url地址
• 保存图片到本地文件夹
• 把图片保存到word文档

爬虫代码实现

def download():
    content = 0
    for page in range(1, 96, 6):
        # 给定 2秒延时
        time.sleep(2)
        # 获取时间戳
        now_time = int(time.time() * 1000)
        url = \'https://openapi.book118.com/getPreview.html\'
        # 请求参数
        params = {
            \'project_id\': \'1\',
            \'aid\': \'272112230\',
            \'t\': \'f2c66902d6b63726d8e08b557fef90fb\',
            \'view_token\': \'SqX7ktrZ_ZakjDI@vcohcCwbn_PLb3C1\',
            \'page\': f\'{page}\',
            \'_\': now_time,
        }
        # 请求头
        headers = {
            \'Host\': \'openapi.book118.com\',
            \'Referer\': \'https://max.book118.com/html/2020/0427/8026036013002110.shtm\',
            \'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36\'
        }
        response = requests.get(url=url, params=params, headers=headers)
        # 使用正则表达式提取内容
        result = re.findall(\'jsonpReturn\\((.*?)\\)\', response.text)[0]
        # 字符串转json数据
        json_data = json.loads(result)[\'data\']
        # 字典值的遍历
        for value in json_data.values():
            content += 1
            # 拼接图片url
            img_url = \'http:\' + value
            print(img_url)
            headers_1 = {
                \'Host\': \'view-cache.book118.com\',
                \'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36\'
            }
            # 请求图片url地址 获取content二进制数据
            img_content = requests.get(url=img_url, headers=headers_1).content
            # 文件名
            img_name = str(content) + \'.jpg\'
            # 保存路径
            # Python学习交流群：815624229
            filename = \'img\\\\\'
            # 以二进制方式保存 （图片、音频、视频等文件都是以二进制的方式保存）
            with open(filename + img_name, mode=\'wb\') as f:
                f.write(img_content)

注意点：

1、一定要给延时，不然后面接口数据会请求不到。

2、请求图片url的时候headers参数需要写完整，否则保存图片是无法打开的

3、命名最好是给定数字，1.jpg、2.jpg 这样，方便后续保存到word

爬虫部分的代码还是比较简单的，没有什么特别的难度。

爬取这些文档，都是需要打印或者查询所以要把这些单张的图片都保存到word文档里面。

💥写入文档

def save_picture():
    document = Document()
    path = \'./img/\'
    lis = os.listdir(path)
    c = []
    for li in lis:
        index = li.replace(\'.jpg\', \'\')
        c.append(index)
    c_1 = sorted(list(map(int, c)))
    print(c_1)
    new_files = [(str(i) + \'.jpg\') for i in c_1]
    for num in new_files:
        img_path = path + num
        document.add_picture(img_path, width=Cm(17), height=Cm(24))
        document.save(\'tu.doc\')  # 保存文档
        os.remove(img_path)  # 删除保存在本地的图片

来源：https://www.cnblogs.com/hahaa/p/16047102.html
本站部分图文来源于网络，如有侵权请联系删除。