【Python爬虫实战入门】：教你一个程序实现PPT模版自由

文章目录

- - 💥一、PPT模版爬取
  - - 🔥1.1 第一个爬虫
    - - 🚲1. 获取下载页面链接
    - ❤️1.2 第二个爬虫
    - 🚲1.3 第三个爬虫
    - - 🎈2. 文件保存
    - ❤️1.4 翻页处理
  - 🔥二、完整代码

🔥🔥🔥 Python爬虫专栏

💥一、PPT模版爬取

🛤️目标网址

https://www.ypppt.com/moban/

关于第三方模块requests：

Python 的第三方模块 requests 是一个非常流行的 HTTP 客户端库，用于发送各种 HTTP 请求。它由 Kenneth > Reitz 开发，并被广泛用于 Python 社区。以下是 requests 模块的一些主要特点：

简单易用：requests 的 API 设计简洁，使得发送 HTTP 请求变得非常简单。
跨平台：它支持 Python 2.7 和 3.4+ 版本，可以在多种操作系统上运行。
国际化：支持国际域名和 URL。
HTTP 连接保持：可以持久化连接，减少连接建立的开销。
支持多部分文件上传：方便地上传文件。
支持 Sessions：允许跨请求保持某些参数，如 cookies。
可连接的流式请求：可以方便地下载大文件。
支持同步和异步操作：虽然 requests 本身是同步的，但可以与异步框架如 grequests 或 aiohttp 结合使用。
SSL 证书验证：默认情况下会验证 SSL 证书。
社区支持：由于其流行度，requests 有一个活跃的社区，可以快速获得帮助和支持。

安装：pip install requests

✈1.1 爬虫框架
💥思路：

模板的主页链接：https://www.ypppt.com/moban/
获取某一个PPT的下载页面链接：https://www.ypppt.com/p/d.php?aid=8257
获取下载链接

# 导入请求模块
import requests# 伪装
headers = {'User-Agent': '浏览器信息','Cookie': '浏览器信息'
}url = '目标网址'# 请求网址获得响应
res = requests.get(url, headers=headers)

🔥1.1 第一个爬虫

根据我们的思路，首先我们要写第一个爬虫来从模版首页获取PPT编号

🛤️目标网址：https://www.ypppt.com/moban/
🛤️浏览器信息：
在这里插入图片描述

# 导入请求模块
import requestsheaders = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36','Cookie': 'Hm_lvt_45db753385e6d769706e10062e3d6453=1715320446; __gads=ID=f965cafb7bccd599:T=1715320445:RT=1715320445:S=ALNI_MYHKs8_kMiTTQssHwk_I4unaHm1zQ; __gpi=UID=00000e15cb8f6b9a:T=1715320445:RT=1715320445:S=ALNI_MZWVWyERCMXvsHDoW2WB20RuXSXEg; __eoi=ID=d8be83a85bd77edf:T=1715320445:RT=1715320445:S=AA-AfjZv_F_ROl0rslGv9LnpXhIp; Hm_lpvt_45db753385e6d769706e10062e3d6453=1715320500'
}url = 'https://www.ypppt.com/moban/'# 请求网址获得响应
res = requests.get(url, headers=headers, verify=False)
print(res.text)

注意：在使用 Python 的 requests 库发送 HTTP 请求时，verify 参数是一个布尔值，它控制着 SSL 证书验证的行为。

当 verify=True（默认设置）时，requests 会验证 SSL 证书的有效性。这意味着 requests 将检查你正在与之通信的服务器是否拥有一个有效的、由受信任的证书颁发机构签发的 SSL 证书。如果证书无效或过期，或者与请求的主机名不匹配，requests 将抛出一个 SSLError 异常。
当 verify=False 时，requests 将不会验证 SSL 证书的有效性。这通常用于测试环境或某些特定情况下，服务器使用自签名证书或不安全的连接，而你又不希望因为证书验证而中断请求。

使用 verify=False 会降低安全性，因为它允许连接到可能不安全的服务器，这可能使你的应用程序容易受到中间人攻击。因此，除非有充分的理由，否则不建议在生产环境中禁用 SSL 证书验证。

此外，verify 参数也可以是一个字符串，指定一个文件路径，该文件包含多个受信任的SSL证书的路径。这允许你使用自定义的证书颁发机构的证书。
示例：

import requests# 默认情况下，verify 为 True，将验证 SSL 证书
response = requests.get('https://example.com', verify=True)# 禁用 SSL 证书验证
response = requests.get('https://example.com', verify=False)# 使用自定义证书
response = requests.get('https://example.com', verify='path/to/custom/cert.pem')

在处理金融数据、用户个人信息或其他敏感数据时，确保 SSL 证书验证是启用的非常重要，以维护数据的安全性和完整性。

注意：在写爬虫的时候如果遇到SSL的错误，也就是证书检查，可以使用verify=False来忽略证书检查！
在这里插入图片描述
由于我们忽略了证书检查，所以每次运行都会有一个警告，忽略警告的代码如下：

# 导入请求模块
import requests
# 忽略警告
import urllib3
urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36'
}url = 'https://www.ypppt.com/moban/'# 请求网址获得响应
res = requests.get(url, headers=headers, verify=False)
print(res.text)

在这里插入图片描述

☔解决乱码问题
从上面的截图可以看出，打印出来的内容有许多我们不认识的符号，比如：è½½_å¹»ç¯ç‰‡æ¨¡æ¿ä¸‹è½½ -ã€ä¼˜å，这就是乱码造成的
我们可以通过改变编码方式来解决：

# 导入请求模块
import requests
# 忽略警告
import urllib3
urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36'
}url = 'https://www.ypppt.com/moban/'# 请求网址获得响应
res = requests.get(url, headers=headers, verify=False)
# 编码改成utf-8
res.encoding = 'utf-8'
print(res.text)

在这里插入图片描述

🚲1. 获取下载页面链接

我们可以通过正则表达式来获取PPT的下载页面链接

Python 的 re 模块是一个用于正则表达式操作的内置库，它提供了丰富的功能来处理字符串和模式匹配。正则表达式是一种用于字符串搜索和操作的强大工具，它们使用单个字符串来描述、匹配一系列符合某个句法规则的字符串。

re 模块的一些常用功能和方法：

模式匹配 (re.match(), re.search(), re.findall(), re.finditer(), re.match())：这些方法用于在字符串中查找与正则表达式模式相匹配的子串。
字符串替换 (re.sub(), re.subn())：用于替换字符串中的匹配项。
捕获组：正则表达式中的圆括号 () 用于创建捕获组，允许你捕获匹配表达式的部分内容。
编译正则表达式 (re.compile())：允许你编译一个正则表达式模式，然后使用编译后的模式进行匹配和其他操作。
特殊序列：如 \d 表示数字，\w 表示字母、数字或下划线，. 表示任意单个字符等。
量词：如 * 表示0次或多次，+ 表示1次或多次，? 表示0次或1次，{m,n} 表示m到n次。
贪婪与非贪婪：默认情况下，量词是贪婪的，尽可能多地匹配字符。添加一个问号 ? 可以使量词变为非贪婪的，尽可能少地匹配字符。
特殊字符转义：使用反斜杠 \ 来转义正则表达式中的特殊字符，如 . 匹配字面意义上的点（.）。
正则表达式标志：如 re.IGNORECASE 或 re.I 用于忽略大小写，re.MULTILINE 或 re.M 用于多行匹配。

# 导入请求模块
import requests
import re
# 忽略警告
import urllib3
urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36'
}url = 'https://www.ypppt.com/moban/'# 请求网址获得响应
res = requests.get(url, headers=headers, verify=False)
# 提取数据
res.encoding = 'utf-8'  # 编码改成utf-8
# print(res.text)
pptId = re.findall('href="/article/.*?/(.*?).html" class="p-title"', res.text)
print(pptId)

在这里插入图片描述
👊构造PPT下载页面链接

for i in pptId:# 构造新的链接url = 'https://www.ypppt.com/p/d.php?aid=' + iprint(url)

在这里插入图片描述
注意：构造出来的链接不是PPT的下载链接，这是PPT下载页面链接。

❤️1.2 第二个爬虫

for i in pptId:# 构造新的链接url1 = 'https://www.ypppt.com/p/d.php?aid=' + i# print(url)res1 = requests.get(url1, headers=headers, verify=False)print(res1.text)

在这里插入图片描述
在第二次请求的时候我们就可以获取PPT模版的下载地址，接下来就和上面的数据提取一样，利用正则表达式将我们的PPT下载链接提取出来即可。

for i in pptId:# 构造新的链接url1 = 'https://www.ypppt.com/p/d.php?aid=' + i# print(url)res1 = requests.get(url1, headers=headers, verify=False)# print(res1.text)# 提取数据down_url = re.findall('href="(.*?)">下载地址1</a>', res1.text)[0]print(down_url)

在这里插入图片描述
我们发现我们获取的链接的后缀名是不同的，另外这些PPT都是没有名字的，不方便后续保存。所以这里我们要修改一下，不单单只获取PPT的编号，还需要获取PPT的标题，根据标题等信息作为保存PPT模版的文件名。

ppt_info = re.findall('href="/article/.*?/(.*?).html" class="p-title" target="_blank">(.*?)</a>', res.text)
print(ppt_info)

在这里插入图片描述
可以看到得到的数据是一个列表嵌套这元组，直接通过循环获取ID和标题即可。

ppt_info = re.findall('href="/article/.*?/(.*?).html" class="p-title" target="_blank">(.*?)</a>', res.text)
for i, title in ppt_info:# 构造新的链接url1 = 'https://www.ypppt.com/p/d.php?aid=' + ires1 = requests.get(url1, headers=headers, verify=False)# print(res1.text)# 提取数据down_url = re.findall('href="(.*?)">下载地址1</a>', res1.text)[0]print(title, down_url)

在这里插入图片描述
对于链接的后缀名的不同，我们可以对链接以 . 进行切割，然后取最后一个就是他的后缀名。

suffix = down_url.split(".")[-1]  # 获取后缀名

在这里插入图片描述

🚲1.3 第三个爬虫

res2 = requests.get(down_url, headers=headers, verify=False)

通过第三次请求去下载PPT模版。

🎈2. 文件保存

open(f'PPT模版/{title}-{i}.{suffix}', 'wb').write(res2.content)

这里为了避免文件名相同，我们在标题的后面加上他们的id号，文件的后缀名就是我们获取到的后缀名。

❤️1.4 翻页处理

要进行翻页处理，我们只需要观察不同页数的url的变化规律即可。
在这里插入图片描述
我们发现，除了第一页的url外，从第二页开始，url都是规律变化的，那首先我们可以尝试一下在第一页的url后面加上list-1.html，看是否可以访问，如果可以就直接加上，如果不可以，那我们就单独判断一下就可以了。
在这里插入图片描述
可以发现，加上后这个链接是无法访问的，所以我们只能单独的进行判断。

page = 1  # 页数, 从第一页开始
while True:if page == 1:# 第一页url = 'https://www.ypppt.com/moban/'else:# 从第二页开始url = f'https://www.ypppt.com/moban/list-{page}.html'# 请求网址获得响应res = requests.get(url, headers=headers, verify=False)# 提取数据res.encoding = 'utf-8'  # 编码改成utf-8# print(res.text)ppt_info = re.findall('href="/article/.*?/(.*?).html" class="p-title" target="_blank">(.*?)</a>', res.text)for i, title in ppt_info:# 构造新的链接url1 = 'https://www.ypppt.com/p/d.php?aid=' + ires1 = requests.get(url1, headers=headers, verify=False)# print(res1.text)# 提取数据down_url = re.findall('href="(.*?)">下载地址1</a>', res1.text)[0]suffix = down_url.split(".")[-1]  # 获取后缀名res2 = requests.get(down_url, headers=headers, verify=False)open(f'PPT模版/{title}-{i}.{suffix}', 'wb').write(res2.content)page += 1  # 爬完之后页数+1

到这里其实还有一个问题没有解决，除了以链接下载PPT模版外，还有通过百度网盘链接下载的，这个由于有些复杂，另外通过网盘下载的模版数量很少，这里我们可以直接跳过不下载。

if 'pan.baidu' in down_url:  # 百度网盘下载continue
else:suffix = down_url.split('.')[-1]  # 获取后缀名

🔥二、完整代码

# 导入请求模块
import requests
import re
# 忽略警告
import urllib3
urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36'
}page = 1  # 页数, 从第一页开始
while True:if page == 1:# 第一页url = 'https://www.ypppt.com/moban/'else:# 从第二页开始url = f'https://www.ypppt.com/moban/list-{page}.html'# 请求网址获得响应res = requests.get(url, headers=headers, verify=False)# 提取数据res.encoding = 'utf-8'  # 编码改成utf-8# print(res.text)ppt_info = re.findall('href="/article/.*?/(.*?).html" class="p-title" target="_blank">(.*?)</a>', res.text)for i, title in ppt_info:# 构造新的链接url1 = 'https://www.ypppt.com/p/d.php?aid=' + ires1 = requests.get(url1, headers=headers, verify=False)# print(res1.text)# 提取数据down_url = re.findall('href="(.*?)">下载地址1</a>', res1.text)[0]if 'pan.baidu' in down_url:  # 百度网盘下载continueelse:suffix = down_url.split('.')[-1]  # 获取后缀名res2 = requests.get(down_url, headers=headers, verify=False)open(f'PPT模版/{title}-{i}.{suffix}', 'wb').write(res2.content)print(f'已成功下载{title}-{i}.{suffix}')page += 1  # 爬完之后页数+1