8000 GitHub - siyangbing/baiduwenku: 百度文库！进来吧，这是就是你想要的百度文库爬虫，必能运行！word生成可编辑的word文档，ppt和pdf生成不可编辑的ppt（排版完美）.可以实现百度文库自动化爬取，支持ppt,pdf,doc。
[go: up one dir, main page]
More Web Proxy on the site http://driver.im/
Skip to content
/ baiduwenku Public

百度文库！进来吧，这是就是你想要的百度文库爬虫，必能运行！word生成可编辑的word文档，ppt和pdf生成不可编辑的ppt（排版完美）.可以实现百度文库自动化爬取，支持ppt,pdf,doc。

141 stars 41 forks Branches Tags Activity
Star
Notifications You must be signed in to change notification settings

siyangbing/baiduwenku

BranchesTags

Repository files navigation

百度文库，进来吧，这就是你想要的百度爬虫，必能运行！可以实现百度文库自动化爬取，支持ppt,pdf,doc

本项目为早期版本，结构较差，我本人也在准备重构，大家有好想法可以提。

项目介绍

本项目是合法项目，只是进行数据解析而已，不能下载看不到的内容．部分文档在电脑端不能预览，但是在手机端可以预览，所有本项目把浏览器浏览格式改成手机端，支持Windows和Ubuntu．

本项目使用的是chromedriver来控制chrome来模拟人来操作来进行文档爬去，可以下载doc，ppt，pdf．

对于doc文档可以下载，doc中的表格无法下载，图片格式的文档也可以下载．

ppt和pdf是先下载图片再放到ppt中．

只要是可以预览的都可以下载．

已有功能.

  • 将可以预览的word文档下载为word文档，如果文档是扫描件，同样支持．
  • 将可以预览的ppt和pdf下载为不可编辑的ppt，因为网页上只有图片，所以理论上无法下载可编辑的版本．
  • 支持表格下载，目前文档中的表格在网页源码中排列混乱，同时还需要结合CSS来进行布局，后续会想别的方法．
  • 支持excel表格下载，目前还没有尝试，后续会试一试 ．

环境安装

pip install requests

pip install my_fake_useragent

pip install python-docx

pip install opencv-python

pip install python-pptx

pip install selenium

pip install scrapy

本项目使用的是chromedriver控制chrome浏览器进行数据爬取的的，chromedriver的版本和chrome需要匹配

Windows用看这里

1. 如果你的chrome浏览器版本恰好是87.0.4280，那么恭喜你，你可以直接看使用方式了，因为我下载的chromedriver也是这个版本

2. 如果不是，你需要查看自己的chrome浏览器版本，然后到chromedriver下载地址：http://npm.taobao.org/mirrors/chromedriver/ 这个地址下载对应版本的chromedriver,比如你的浏览器版本是87.0.4280，你就可以找到87.0.4280.20/这个链接，如果你是windows版本然后选择chromedriver_win32.zip进行下载解压。千万不要下载LASEST——RELEASE87.0.4280这个链接，这个链接没有用，之前有小伙伴走过弯路的，注意一下哈。

3. 用解压好的chromedriver.exe替换原有文件，然后跳到使用方式

ubuntu用户看这里

讲道理，你已经用ubuntu了，那位就默认你是大神，你只要根据chrome的版本下载对应的chromdriver(linux系统的)，然后把chromedriver的路径改称你下载解压的文件路径就好了，然后跳到使用方式。哈哈哈，我这里就偷懒不讲武德啦

使用方式：

把代码中的url改为你想要下载的链接地址，脚本会自动文档判断类型，并把在当前目录新建文件夹并把文件下载到当前目录．

如果在使用过程中遇到问题，或者有好的建议，可以在issue中提出来，我每天都会回复的，代码粗糙，大家谅解！如果好用的话就给个star

About

百度文库！进来吧，这是就是你想要的百度文库爬虫，必能运行！word生成可编辑的word文档，ppt和pdf生成不可编辑的ppt（排版完美）.可以实现百度文库自动化爬取，支持ppt,pdf,doc。

Topics

python baiduwenku

Resources

Readme
Activity

Stars

141 stars

Watchers

4 watching

Forks

41 forks
Report repository

Releases

No releases published

Packages

No packages published

Languages

0