| Python爬取百度文库中的PPT（2021.3.16） | 您所在的位置：网站首页 › 如何将百度文库的ppt存到本地 › Python爬取百度文库中的PPT（2021.3.16） |
Python爬取百度文库中的PPT（2021.3.16）
|
Python爬虫获取百度文库PPT 2021.3.16
1、需求分析2、网站分析2.1 寻找PPT各页面对应图片的url2.2 复制PPT所有页面图片的url到result.txt中。
3、Python代码批量下载PPT所有页面图片4、运行结果展示4.1 利用所有PPT图片自动生成word文档4.2 利用PPT图片手动生成word
1、需求分析
大家都知道，百度文库中的资源主要以Word文档和PPT为主，而Word文档主要由文本和公式组成，而PPT中的文本并不多，重点是图片和绚丽的色彩风格。 有的网友在百度文库中找到了自己所需的文档，可能出于学习或研究的目的想要下载到本地，面对一些VIP付费资源可能会束手无策。比如尝试过下载百度文库里的PPT课件之类的资源，但由于PPT页数太长，百度文库只限制前多少页能够被预览，而如果想要查看后面的页数则需要登录百度账号，然后可能会提示VIP或者付费才能下载。 比如学生党需要下载百度文库中107页的物理学与现代信息技术——物理学薛其坤院士课件，但看到页面会提示让登录百度账号，可能有的网友用过冰点文库下载器，但这个下载器可能下载内容不全（好像最多支持仅下载前50页）。 在百度文库中找到物理学与现代信息技术——物理学薛其坤院士课件，首先需要知道在百度文库中PPT课件中将鼠标放在PPT第一页上进行向右上角拖拽后，会看到浏览器打开一个新的地址，即PPT第一页对应图片的链接。 首页—第1页PPT的图片界面 那么问题来了，107个PPT图片对应的url该去何处寻找呢？不要慌，浏览器里遇到问题不会就按F12或者打开设置里的开发工具，工具里默认选择的是Sources，这里先点击Elements后用鼠标点击左侧的箭头按钮，然后移动到第3页的PPT上进行选中，
然后切换到Sources下后，将下图中的div部分page-1到page-107复制到result.txt中。 通过上述分析，已经获得了百度文库所要下载PPT所有页面（1-107)对应图片的url下载链接，都被保存到了result.txt中，现在可以写Python代码批量下载PPT各页面图片到指定文件夹并生成word文档喽！ import urllib.request import docx #创建内存中的word文档对象 from docx.shared import Pt from docx.enum.text import WD_PARAGRAPH_ALIGNMENT def download_img(img_url,imgname): request = urllib.request.Request(img_url) try: response = urllib.request.urlopen(request) img_name = imgname+'.jpg' filename = "D:\\Program Files (x86)\\PyCharm Community Edition 2020.1.1\\PaQukemu4tiku\\folder\\PPTimgpath1\\" + img_name if (response.getcode() == 200): with open(filename, "wb") as f: f.write(response.read()) # 将内容写入图片 return filename except: return "failed" docfile = docx.Document()#要写入的word文档 headers ={'Connection': 'close'} txtfilename = "E:\\result.txt" #读取html中带有div片段和img src的txt txtfopen = open(txtfilename, 'r',encoding='UTF-8') lines = txtfopen.readlines() i=1 for line in lines: if((i+2)%5==0):# 3、5、8行依次代表第1、2、3张PPT的内容 linestring = line.strip('\n') imgurl = linestring[linestring.find('src="')+5:linestring.find('" alt=""')].replace('"','') #第i张PPT的url下载链接 img_name = str((i+2)/5) filename = "D:\\Program Files (x86)\\PyCharm Community Edition 2020.1.1\\PaQukemu4tiku\\folder\\PPTimgpath1\\" + img_name+'.jpg' download_img(imgurl, img_name) paragraph = docfile.add_paragraph() # 图片居中设置 paragraph.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER run = paragraph.add_run("") run.add_picture(filename) print((i+2)/5, imgurl)#去除换行符 i=i+1 txtfopen.close() docfile.save("D:\\Program Files (x86)\\PyCharm Community Edition 2020.1.1\\PaQukemu4tiku\\folder\\DownloadPPT.docx") #保存 4、运行结果展示 4.1 利用所有PPT图片自动生成word文档
运行后再NewPPTimagpath1文件夹下生成了缩小为360像素 x 270像素的PPT图片，同时生成了ChangeSizePPT.docx文档，分别如下图所示。 如果确实不知道该如何调整大小，而又想保证原始下载PPT所有页面图片的清晰度可直接新建Word文档（命名为物理学与现代信息技术——物理学薛其坤院士.docx）后，点击上方菜单栏的插入，选择图片，在PPT页面图片文件夹下选中所有图片即可完成。 注：本博客内容尊重知识创作，旨在学习交流使用，切勿用于非法商业用途！！！ |
如果不登录百度账号，在浏览器里下拉页面到底部会看到购买全文需要35元RMB，对于学生党来说好心疼啊，赶上自己一个月的手机费了。（其实可以几个同学一起购买后共同使用也是不错的选择哦！） 
无奈之下，迫不得已还是需要登录百度账号，毕竟百度系列的服务（百度搜索、百度地图、百度图片、百度文库、百度网盘等）还是希望用户登录百度账号的，以便为用户提供优质的个性化服务。 
登录百度账号后会发现只要不断点击页面底部的继续阅读便可阅读PPT的全部内容（当然前提是电脑联网且已登录百度账号），好不容易翻到了PPT的最后一页（107页），终于可以查看全部页面了，但有的同学觉得浏览器里在线看还是不如本地离线看来得实在，还是想要下载，但苦于页面下方只有购买文档和VIP8购买按钮，自己不想手动一张一张截图或者拖拽下载啊！（主要是懒）这时心里默想一下：要是页面有个免费下载按钮该多好啊！ 
中间页----第50页PPT的图片界面 
尾页—第107页PPT的图片界面 
首页、中间页、尾页的PPT对应图片的url地址如下所示，其实本质上url中pn相当于pagenumber页号，pn=1表示第1页PPT，pn=50表示第50页PPT，pn=107表示第107页PPT之后的png和jpg代表两种图片格式，通过对比几个连续的PPT页面的url发现png或jpg的号码是连续的，但好像无法根据页面号直接得出png=？或者jpg=?，何必浪费时间去找不一定存在的规律呢？因此干脆直接获取所有页面的url不就得了嘛！ 
选中后右侧的Elements下方的内容会定位到div里的img src=处，这时只需双击该url即可选中右键复制得到第3张PPT对应的图片url
这下心里就爽朗许多了，从以下两图中可以看到每个页面都有其对应的div，div里的img src=放的是该页面对应图片的url地址，需要浏览完所有的页面 
div内容如下所示（因为已经浏览过所有页面，其实div内容就包含在上图647cb0ce6d85ec3a87c24028915f804d2a168741.html文件中，这个文件可用记事本打开也能找到如下div内容）
代码直接运行后，PPT中1-107页所有图片都被保存在了PPTimgpath1文件夹下，同时生成了DownloadPPT.docx文档。 
打开DownloadPPT.docx文档后发现PPT1-107页图片插入word后大小并不自适应。 
于是打开下载的PPT图片文件夹，通过右键查看图片属性，才发现原来图片像素为1080像素 x 810像素，这个着实有点大啊！ 
当然如果想要改动图片大小后自动保存到Word文档，可参考如下代码：
看得出来，图片未缩小前自动生成的Word文档DownloadPPT.docx比缩小后自动生成的Word文档ChangeSizePPT.docx的存储空间所占大小小了许多，因为图片压缩大小意味着失真，局部模糊。 
PPT所有页面图片插入完成后word文档如上图所示，这时只需调整段落行距为单倍行距就能正常显示了。 
这时可以看到整个word文档里面PPT所有图片都能自适应大小，并且图片失真程度最小，整个任务完成。 
【本文地址】