【记录】Python3｜Selenium 下载 PDF 不预览不弹窗（2024年）

版本：

  • Chrome 124
  • Python 3.12
  • Selenium 4.19.0

版本与我有差异不要紧，只要别差异太大比如 Chrome 用 57 之前的版本了，就可以看本文。

如果你从前完全没使用过、没安装过Selenium，可以参考这篇博客《【记录】Python3｜Selenium4 极速上手入门（Windows）》快速安装Edge版本的webdriver，再继续看下文。

前言

这个问题我本来以为就是抓个包解决的，不过后来才发现因为现在浏览器的设计原因，返回Content-Type:application/pdf;的时候就会自动在浏览器中预览文件，报文的响应会解析成以下东西：

<!doctype html><html>
<body style='height: 100%; width: 100%; overflow: hidden; margin:0px; background-color: rgb(51, 51, 51);'>
<embed name='2F7A72AC9A127791D290DA205760BBE4' style='position:absolute; left: 0; top: 0;'width='100%' height='100%' src='about:blank' type='application/pdf' internalid='2F7A72AC9A127791D290DA205760BBE4'>
</body></html>

这会导致网页在遇到这种响应的时候会预览PDF，而不是下载PDF。

网上方法一大堆我看五花八门的其实解决起来就那么回事，有人问我我就汇总一下ok废话不多说。

文章目录

    • 前言
    • 方式一：浏览器设置，PDF打开方式默认为下载
      • 1.1 具体做法
      • 1.2 做法评估
    • 方式二：Selenium设置，禁用PDF Viewer插件
      • 2.1 具体做法
      • 2.2 做法评估
    • 方式三：requests库，直接请求url
      • 3.1 具体做法
      • 3.2 方法评估
      • 彩蛋：不下载PDF直接读取内容

方式一：浏览器设置，PDF打开方式默认为下载

1.1 具体做法

参考：如何使 pdf 文件在浏览器里面直接下载而不是打开-Jacob’s Blog

如果关掉浏览器的PDF阅读模式就不会预览而是会直接下载，例如谷歌浏览器中的设置项，步骤如下：

  1. 打开设置，搜索pdf，前往网站设置。在这里插入图片描述
  2. 展开更多内容设置，并点击PDF文档。
    在这里插入图片描述
  3. 修改默认行为为下载PDF文件。
    在这里插入图片描述

如果设置了下载路径为“另存为”的话，仍然需要手动选择PDF的下载路径。如下所示。

在这里插入图片描述

但是，这个问题是可以解决的。
如果根据下面的步骤设置了默认下载路径，则会自动下载如下。

在这里插入图片描述

如下所示：

在这里插入图片描述

1.2 做法评估

  • 优点：能让我们的读者朋友们弄清楚不预览不弹窗的可视化逻辑。
  • 缺点：
    1. 这种做法放到selenium里面就没用了，因为这个设置不会继承到 chromedriver 中去。
    2. 不会继承的问题是有可能解决的，即设置user-data-dir。不过我按照这个思路去解决发现并不起效：
      options.add_argument("user-data-dir=C:/Users/User/AppData/Local/Google/Chrome/User Data/Default")
      具体路径可以通过chrome://version查看（路径查找参考：chromedriver官方文档），如下所示。
      在这里插入图片描述

方式二：Selenium设置，禁用PDF Viewer插件

2.1 具体做法

参考：selenium disable chrome pdf viewer python-稀土掘金

根据这篇博客，说其实谷歌浏览器是靠一个自带的叫PDF-Viewer的插件来打开网页的pdf，selenium有个语句能禁用这个插件。

相关代码如下：

from time import sleep
from selenium import webdriverchrome_options = webdriver.ChromeOptions()
driver = webdriver.Chrome(chrome_options=chrome_options)chrome_options.add_experimental_option('prefs', {"download.prompt_for_download": False,'plugins.always_open_pdf_externally': True})driver = webdriver.Chrome(chrome_options=chrome_options)
sleep(1000) # 有时候会有人还没等到它下载就退出了，然后觉得这个方法没有作用，所以特地加一行sleep

注意一点，网上还流传着另一种代码：'plugins.plugins_disabled': ["Chrome PDF Viewer"]，这个早就已经没用了（自从 Chrome 57）。具体的讨论帖子可以看 Disabling PDF Viewer plugin in chromedriver-StackOverflow。

2.2 做法评估

  • 优点：和Selenium结合得非常好；
  • 缺点：有人说这个方法不起效，因为他们没有sleep，在还没开始下载的时候这个程序就退出了。这个并不是编程人员的毛病，而是这个方法本身确实有缺点。① 它具体下载到哪里了不太好获取（因为是Default），还得另外写代码；② 你没办法确定这个 PDF 是否下载好了。（和第一个缺点一样，都是因为这个下载位置都不太好获取，下载状态更难获取）③ 需要等待一定的时间去下载它，但又难以知道要等多久。（这就是 Selenium 的缺点了，它在模拟方面登峰造极，也在线程控制方面和浏览器的线程控制一样随意而混乱……）

这个做法的缺点如此之多，以至于第三个方式存在极大的生存土壤。

方式三：requests库，直接请求url

3.1 具体做法

参考：没参考，这就是我自己平常的写法。

都已经有url了就别那么麻烦了，赶紧直接请求得到结果吧。。

可用的示例代码如下：

import requests# URL of the PDF file
pdf_url = 'https://xx.pdf'# Send an HTTP GET request to the URL
response = requests.get(pdf_url)# Check if the request was successful (status code 200)
if response.status_code == 200:# Open a file in binary write modewith open('downloaded_pdf.pdf', 'wb') as f:# Write the PDF content to the filef.write(response.content)print("PDF downloaded successfully.")
else:print("Failed to download PDF. Status code:", response.status_code)

3.2 方法评估

  • 优点：简单直接高效。
  • 缺点：requests库有个坏处，就是总是要自己定义header的参数。而这一点Selenium弥补得很好。为了继承Selenium的自动填充的参数，避免反爬虫的问题，GPT添加headers如下所示：
    from selenium import webdriver
import requests# Set up Selenium WebDriver (make sure to have appropriate driver installed)
driver = webdriver.Chrome()# Navigate to the website containing the PDF
driver.get("https://example.com/your_pdf_link")# Extract the URL of the PDF file
pdf_url = driver.current_url# Retrieve the headers from the WebDriver
headers = driver.execute_script("return Object.fromEntries(new Map(Object.entries(arguments[0].headers)))", driver.execute_script("return window.navigator"))# Use requests to download the PDF file with headers
response = requests.get(pdf_url, headers=headers)# Check if the request was successful
if response.status_code == 200:# Save the PDF filewith open("output.pdf", "wb") as f:f.write(response.content)print("PDF file downloaded successfully.")
else:print("Failed to download the PDF file.")# Close the Selenium WebDriver
driver.quit()

说实在的啊，这个script是不能用的，但是思路就是继承Selenium的参数。
根据我的精心查找，我发现写出一个继承 Selenium 参数的 script 的方式已经值得再写一篇博客了，这篇博客的链接是【代码】Python3｜Requests 库怎么继承 Selenium 的 Headers （2024，Chrome）。

一般情况（指对 headers 要求不高时）加上这一个参数就行，反爬虫厉害的网站得再加点别的：

 headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.150 Safari/537.36'}

彩蛋：不下载PDF直接读取内容

通过 requests 已经获取了 response 之后，可以通过如下步骤直接使用 pdf 的内容，这样做和下载之后再open是一样的：

import io
import PyPDF2# 使用 io 模块创建一个 BytesIO 对象，以便将 response.content 传递给 PyPDF2
pdf_file = io.BytesIO(response.content)# 创建一个 PdfFileReader 对象来读取 PDF 文件内容
pdf_reader = PyPDF2.PdfFileReader(pdf_file)# 获取 PDF 文件中的页数
num_pages = pdf_reader.numPages
print("Number of pages:", num_pages)# 逐页提取文本并打印
for page_num in range(num_pages):# 获取页面对象page = pdf_reader.getPage(page_num)# 提取文本text = page.extractText()# 打印文本print("Page", page_num + 1, ":", text.strip())# 关闭 BytesIO 对象
pdf_file.close()

注意一定要用BytesIO，不需要再with open什么东西了。

好的就分享到这里。

本账号所有文章均为原创，欢迎转载，请注明文章出处：https://blog.csdn.net/qq_46106285/article/details/137883196。百度和各类采集站皆不可信，搜索请谨慎鉴别。技术类文章一般都有时效性，本人习惯不定期对自己的博文进行修正和更新，因此请访问出处以查看本文的最新版本。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/pingmian/1230.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

密码学 | 承诺：绑定性 + 隐藏性

密码学 | 承诺：绑定性 + 隐藏性

&#x1f951;原文&#xff1a;承诺方案&#xff08;Commitment&#xff09;学习笔记 &#x1f951;写在前面&#xff1a; 本文属搬运博客&#xff0c;自己留存学习。本文只会讲承诺的两个安全属性&#xff0c;不会再讲解承诺的定义。 正文 承诺方案需要满足两个安全属性&…
阅读更多...
Oracle之SQL plus的一些经验心得

Oracle之SQL plus的一些经验心得

每次登入SQL plus后，不知道时哪个用户登入，非常不方便，只能使用show user查看。 以下时可以通过一些设置实现上述的效果，知道时哪个用户登入，和实现输出效果等 1）SQL plus使用细则 SQL plus登录时，我们可以设置一些通用的设置，在每次登入SQL plus的时候生效。 [root@c…
阅读更多...
安装Zipkin

安装Zipkin

官网&#xff1a;https://zipkin.io/pages/quickstart.html Jar包方式 下载 方式一&#xff1a;百度网盘下载 链接&#xff1a;https://pan.baidu.com/s/1PRV1RamJ8IWX32IJb7jw3Q?pwde8vu 提取码&#xff1a;e8vu 方式二&#xff1a;Central Repository: io/zipkin/zipk…
阅读更多...
react 项目路由配置（react-router-dom 版本 v6.3、v6.4）

react 项目路由配置（react-router-dom 版本 v6.3、v6.4）

根据 react-router-dom 的版本&#xff0c;有不同的方式 一、react-router-dom v6.3 用到的主要 api: BrowserRouteruseRoutesOutlet 下面是详细步骤&#xff1a; 1、index.js BrowserRouter 用来实现 单页的客户端路由使用 BrowserRouter 包裹 App放在 顶级 位置&#x…
阅读更多...
（1）认识人工智能

（1）认识人工智能

第一章 认识人工智能 引言 本人目前大三&#xff0c;双非一本的人工智能专业&#xff0c;代码能力不算太差&#xff0c;做过项目&#xff0c;也打了比赛&#xff0c;获了奖&#xff0c;但是走技术路线总会有否定自己的感觉&#xff0c;可能是感觉自己的才能没有在搞技术方面实…
阅读更多...
小红书电商运营实战课，从0打造全程实操（65节视频课）

小红书电商运营实战课，从0打造全程实操（65节视频课）

课程内容&#xff1a; 1.小红书的电商介绍 .mp4 2.小红书的开店流程,mp4 3.小红书店铺基础设置介绍 ,mp4 4.小红书店铺产品上架流程 .mp4 5.客服的聊天过程和子账号建立 .mp4 6.店铺营销工具使用和后台活动参加 .mp4 7.小红书产品上架以及拍单教程,mp4 8.小红书如何选品…
阅读更多...
数据分析_商品维度占比及变化可视化分析(Pandas和Matplotlib)

数据分析_商品维度占比及变化可视化分析(Pandas和Matplotlib)

数据分析_商品维度占比及变化可视化分析(Pandas和Matplotlib) 分析维度包括: 各商品年度销量占比 各商品月度销量变化 构建测试数据 这里你可以了解到: 如何生成时间相关的数据。 如何从列表&#xff08;可迭代对象&#xff09;中生成随机数据。 Pandas 的 DataFrame 自…
阅读更多...
【JVM系列】关于静态块、静态属性、构造块、构造方法的执行顺序

【JVM系列】关于静态块、静态属性、构造块、构造方法的执行顺序

&#x1f49d;&#x1f49d;&#x1f49d;欢迎来到我的博客&#xff0c;很高兴能够在这里和您见面&#xff01;希望您在这里可以感受到一份轻松愉快的氛围&#xff0c;不仅可以获得有趣的内容和知识&#xff0c;也可以畅所欲言、分享您的想法和见解。 推荐:kwan 的首页,持续学…
阅读更多...
2.Vue简介

2.Vue简介

Vue简介 Vue (发音为 /vjuː/&#xff0c;类似 view) 是一款用于构建用户界面的 JavaScript 框架。它基于标准 HTML、CSS 和 JavaScript 构建&#xff0c;并提供了一套声明式的、组件化的编程模型&#xff0c;帮助你高效地开发用户界面。无论是简单还是复杂的界面&#xff0c;V…
阅读更多...
【网站项目】“最多跑一次”小程序

【网站项目】“最多跑一次”小程序

&#x1f64a;作者简介&#xff1a;拥有多年开发工作经验&#xff0c;分享技术代码帮助学生学习&#xff0c;独立完成自己的项目或者毕业设计。 代码可以私聊博主获取。&#x1f339;赠送计算机毕业设计600个选题excel文件&#xff0c;帮助大学选题。赠送开题报告模板&#xff…
阅读更多...
【一竞技DOTA2】双冠王N0tail将发布新书自传《性格胜过天赋》

【一竞技DOTA2】双冠王N0tail将发布新书自传《性格胜过天赋》

1、近日Ti双冠王N0tail&#xff0c;在个人推特上宣布将发布自己的自传《性格胜过天赋》。N0tail职业生涯豪夺两届Ti冠军&#xff0c;700万美元个人生涯奖金亦是电竞史最高的传奇选手。 “经过许多年的努力和收到的大量请求&#xff0c;我将发布我的自传新书《性格胜过天赋》&am…
阅读更多...
特征值eigenvalue与特征向量eigenvector

特征值eigenvalue与特征向量eigenvector

特征值&#xff0c;特征向量概念 在线性代数中&#xff0c;对于一个给定的线性变换A&#xff0c;他的特征向量v经过这个线性变换的作用之后&#xff0c;得到的新向量仍然与原来的 v v v保持在同一条直线上。但长度或方向也许会改变。即&#xff1a; A v Av Av λ v \lambda…
阅读更多...
强化网络安全防线，您的等级保护措施到位了吗？

强化网络安全防线，您的等级保护措施到位了吗？

在这个信息化飞速发展的时代&#xff0c;网络安全已经成为我们每个人都需要关注的问题。无论是企业还是个人&#xff0c;我们的工作和生活都越来越依赖于网络。确保网络环境的安全&#xff0c;防止信息泄露和网络攻击&#xff0c;已经成为了一项至关重要的任务。等级保护制度作…
阅读更多...
如何做一个优秀的系统工程师？

如何做一个优秀的系统工程师？

一、背景 做好一个优秀系统工程师的关键在于其在产品开发生命周期中对需求分析的有效把握与运用&#xff0c;这个过程直接影响到系统的整体架构设计、规格参数的明确设定以及业务流程的深度挖掘与优化。需求分析不仅是理解用户实际问题的核心环节&#xff0c;更是界定系统开发…
阅读更多...
无限滚动分页加载与下拉刷新技术探析：原理深度解读与实战应用详述

无限滚动分页加载与下拉刷新技术探析：原理深度解读与实战应用详述

滚动分页加载&#xff08;也称为无限滚动加载、滚动分页等&#xff09;是一种常见的Web和移动端应用界面设计模式&#xff0c;用于在用户滚动到底部时自动加载下一页内容&#xff0c;而无需点击传统的分页按钮。这种设计旨在提供更加流畅、连续的浏览体验&#xff0c;减少用户交…
阅读更多...
Go语言中通过数据对齐降低内存消耗和提升性能

Go语言中通过数据对齐降低内存消耗和提升性能

数据对齐是一种安排数据分配方式以加速 CPU 访问内存的方法。 不了解这个概念会导致额外的内存消耗甚至性能下降。 要了解数据对齐的工作原理&#xff0c;让我们首先讨论没有它会发生什么。假设我们分配两个变量&#xff0c;一个 int32 类型的 &#xff08;32 B&#xff09; 和…
阅读更多...
docker-compose 安装MongoDB续：创建用户及赋权

docker-compose 安装MongoDB续：创建用户及赋权

文章目录 1. 问题描述2. 分析2.1 admin2.2 config2.3 local 3. 如何连接3.解决 1. 问题描述 在这一篇使用docker-compose创建MongoDB环境的笔记里&#xff0c;我们创建了数据库&#xff0c;但是似乎没有办法使用如Robo 3T这样的工具去连接数据库。连接的时候会返回这样的错误&…
阅读更多...
Redis：报错Creating Server TCP listening socket *:6379: bind: No error

Redis：报错Creating Server TCP listening socket *:6379: bind: No error

错误&#xff1a; window下启动redis服务报错&#xff1a; Creating Server TCP listening socket *:6379: bind: No error 原因&#xff1a; 端口6379已被绑定&#xff0c;应该是因为上次未关闭服务 解决&#xff1a; ①依次输入命令&#xff1a; redis-cli.exe &#xff08…
阅读更多...
RAG与LLM本身知识存在冲突时，大模型如何抉择？

RAG与LLM本身知识存在冲突时，大模型如何抉择？

原文&#xff1a;https://arxiv.org/pdf/2404.10198.pdf 引言 在人工智能领域&#xff0c;大型语言模型&#xff08;LLMs&#xff09;因其强大的语言理解和生成能力而备受关注。然而&#xff0c;这些模型在处理特定问题时可能会产生错误信息&#xff0c;即所谓的“幻觉”&…
阅读更多...
springcloud第4季 springcloud-alibaba之sentinel

springcloud第4季 springcloud-alibaba之sentinel

一 sentinel介绍 1.1 sentinel作用 sentinel是面向分布式、多语言异构化服务架构的流量治理组件&#xff0c;主要以流量为切入点&#xff0c;从流量路由、流量控制、熔断降级、系统自适应过载保护、热点流量防护等多个维度来帮助开发者保障服务的稳定性。 1.2 组成部分 sen…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023