【问题标题】:Crawl and download files from informer.com using python script使用 python 脚本从informer.com 抓取和下载文件
【发布时间】:2018-01-20 19:45:16
【问题描述】:

出于研究目的,我需要构建一组良性程序。首先,我需要从http://downloads.informer.com 获取这些程序。为此,我编写了一个 Python 脚本,它迭代每个下载页面并将下载链接提取到一个列表中。之后,脚本使用这些链接下载程序(这些程序是 exe、msi 或 zip 文件)。不幸的是,在这一步,脚本遇到错误,指出(AttributeError:'Request' object has no attribute 'decode')。

以下是在单页上工作并检索单个程序的脚本(为简单起见):

import wget
from urllib.request import urlopen as uReq
from bs4 import BeautifulSoup as soup
my_url = 'http://sweet-home-3d.informer.com/download'

import urllib.request
req = urllib.request.Request(
    my_url, 
    data=None, 
    headers={
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.47 Safari/537.36'
    }
)


uClient = uReq(req)
page_html = uClient.read()

page_soup = soup(page_html, 'lxml' )

cont01 = page_soup.findAll('a', {'class':'download_button'})

conts = cont01[1]
ref= conts['href']

addr = urllib.request.Request(
    ref, 
    data=None, 
    headers={
        'User-Agent': 'Mozilla/5.0'
    }
)
wget.download(addr)

我得到的错误如下:

AttributeError                            Traceback (most recent call last)
<ipython-input-1-93c4caaa1777> in <module>()
     31     }
     32 )
---> 33 wget.download(addr)

C:\Users\bander\Anaconda3\lib\site-packages\wget.py in download(url, out, bar)
    503 
    504     # get filename for temp file in current directory
--> 505     prefix = detect_filename(url, out)
    506     (fd, tmpfile) = tempfile.mkstemp(".tmp", prefix=prefix, dir=".")
    507     os.close(fd)

C:\Users\bander\Anaconda3\lib\site-packages\wget.py in detect_filename(url, out, headers, default)
    482         names["out"] = out or ''
    483     if url:
--> 484         names["url"] = filename_from_url(url) or ''
    485     if headers:
    486         names["headers"] = filename_from_headers(headers) or ''

C:\Users\bander\Anaconda3\lib\site-packages\wget.py in filename_from_url(url)
    228     """:return: detected filename as unicode or None"""
    229     # [ ] test urlparse behavior with unicode url
--> 230     fname = os.path.basename(urlparse.urlparse(url).path)
    231     if len(fname.strip(" \n\t.")) == 0:
    232         return None

C:\Users\bander\Anaconda3\lib\urllib\parse.py in urlparse(url, scheme, allow_fragments)
    292     Note that we don't break the components up in smaller bits
    293     (e.g. netloc is a single string) and we don't expand % escapes."""
--> 294     url, scheme, _coerce_result = _coerce_args(url, scheme)
    295     splitresult = urlsplit(url, scheme, allow_fragments)
    296     scheme, netloc, url, query, fragment = splitresult

C:\Users\bander\Anaconda3\lib\urllib\parse.py in _coerce_args(*args)
    112     if str_input:
    113         return args + (_noop,)
--> 114     return _decode_args(args) + (_encode_result,)
    115 
    116 # Result objects are more helpful than simple tuples

C:\Users\bander\Anaconda3\lib\urllib\parse.py in _decode_args(args, encoding, errors)
     96 def _decode_args(args, encoding=_implicit_encoding,
     97                        errors=_implicit_errors):
---> 98     return tuple(x.decode(encoding, errors) if x else '' for x in args)
     99 
    100 def _coerce_args(*args):

C:\Users\bander\Anaconda3\lib\urllib\parse.py in <genexpr>(.0)
     96 def _decode_args(args, encoding=_implicit_encoding,
     97                        errors=_implicit_errors):
---> 98     return tuple(x.decode(encoding, errors) if x else '' for x in args)
     99 
    100 def _coerce_args(*args):

AttributeError: 'Request' object has no attribute 'decode'

如果有人能帮我解决这个问题,我将不胜感激。 预先感谢。

【问题讨论】:

  • 您的问题可能是 'addr' 不是文件的真正链接,而是重定向。尝试在 Chrome Inspector 运行的情况下单击该链接(选择“网络”选项卡),然后查看它从何处获取实际内容。
  • 你是对的,实际链接不同。例如,它在检查器中显示以下链接:download.informer.com/win-1193020099-a188ca2c-5607e42f/… 但是当我把它放在 addr 中时,它又给出了同样的错误。以及如何抓取这个实际链接。
  • 您可以尝试跟踪最终目的地。看看这个:stackoverflow.com/a/20475712/8240959

标签: python beautifulsoup web-crawler dynamic-url


【解决方案1】:

Wget 给出 HTTP 错误 503:使用正确的 URL 直接调用时服务暂时不可用。我猜它在服务器上被阻止了。下载链接由 JavaScript 生成。您可以使用硒。这将执行 JavaScript 以获取 URL。我用 PhantomJS 尝试了 Selenium,但它没有用。但是对于 Chrome,它确实如此。

首先安装 Selenium:

sudo pip3 install selenium

然后获取驱动程序https://sites.google.com/a/chromium.org/chromedriver/downloads 并将其放在您的路径中。如果(与我不同)您使用的是 Windows 或 Mac,则可以使用无头版本的 chrome“Chrome Canary”。

from selenium import webdriver
from time import sleep

url = 'http://sweet-home-3d.informer.com/download'
browser = webdriver.Chrome()
browser.get(url)
browser.find_element_by_class_name("download_btn").click()
sleep(360) # give it plenty of time to download this will depend on you internet connection
browser.quit()

文件将下载到您的下载文件夹。如果它退出得太快,您将获得带有额外文件扩展名 .crdownload 的文件的一部分。如果发生这种情况,请增加您传递给 sleep 的值。

【讨论】:

    【解决方案2】:

    实际上,您不需要 Selenium。这是一个cookie问题。我相信你也可以用 urllib 来做 cookie,但这不是我的专业领域。

    如果您要完成这项工作 - 没有浏览器和 wget - 在请求中,您可以像这样获取文件:

    import requests
    from bs4 import BeautifulSoup as bs
    
    # you need headers or the site won't let you grab the data
    headers = {
    
      "user-agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3181.0 Safari/537.36"
    }
    url = 'http://sweet-home-3d.informer.com/download/'
    
    # you need a cookie to download. Create a persistens session
    s = requests.Session()
    r = s.get(url, headers=headers)
    soup = bs(r.text, "html.parser")
    
    # all download options lie in a div with class table
    links_table = soup.find('div', {'class': 'table'})
    file_name = links_table.find('div', {'class': 'table-cell file_name'})['title']
    download_link = links_table.find('a', {'class': 'download_button'})['href']
    
    # for some reason the url-page doesn't set the cookie you need.
    # the subpages do, so we need to get it from one of them - before we call download_link
    
    cookie_link = links_table.a['href']
    r = s.get(cookie_link, headers=headers)
    
    # now with a cookie set, we can download the file
    r = s.get(download_link,headers=headers)
    with open(file_name, 'wb') as f:
        f.write(r.content)
    

    【讨论】:

    • 不客气。请通过接受答案来结束问题。将其打开会导致许多其他有帮助的人徒劳地访问您的问题...
    猜你喜欢
    • 2023-02-23
    • 2011-05-29
    • 1970-01-01
    • 2018-06-22
    • 1970-01-01
    • 2021-06-12
    • 1970-01-01
    • 1970-01-01
    • 2010-11-14
    相关资源
    最近更新 更多