python爬虫:下载上海证券交易所的最新的公告PDF

  1. 动态加载内容 :该网页可能是通过 JavaScript 动态加载的,而 requests 无法处理动态内容。因此,直接使用 requests 获取到的 HTML 中可能不包含 PDF 链接。

  2. HTML 结构不匹配 :网页结构可能与你预期的不同,导致 BeautifulSoup 查找不到匹配的标签。你可以检查 HTML 的结构,确保你使用的选择器(例如 class_='iconfont iconxiazai')正确。

解决方法:

  1. 检查网页内容

    在代码中打印页面的HTML内容,看看 requests.get() 获取到的网页是否包含PDF链接的部分:

    python 复制代码
    print(response.text)  # 打印获取到的HTML内容
  2. 使用Selenium处理动态加载的网页

    如果网页使用了动态加载技术(例如AJAX或JavaScript),可以使用 Selenium 来模拟浏览器操作,并获取完整的页面内容。

Selenium 示例代码:

以下是如何使用 Selenium 来处理动态加载网页的示例:

安装依赖:
bash 复制代码
pip install selenium

你还需要下载对应的浏览器驱动(如ChromeDriver),并将其路径加入系统环境变量。

代码示例:
python 复制代码
import os
from selenium import webdriver
from bs4 import BeautifulSoup
import time

# 设置你要保存PDF文件的目录
DOWNLOAD_DIR = "pdf_downloads"
if not os.path.exists(DOWNLOAD_DIR):
    os.makedirs(DOWNLOAD_DIR)

# 设置目标URL
base_url = "https://www.sse.com.cn"

# 目标网页的公告URL
announcement_url = "https://www.sse.com.cn/disclosure/listedinfo/announcement/"

# 启动浏览器
driver = webdriver.Chrome()  # 请确保你已安装并配置了对应的ChromeDriver
driver.get(announcement_url)

# 等待页面加载完成
time.sleep(5)

# 获取页面内容
html = driver.page_source
soup = BeautifulSoup(html, 'html.parser')

# 查找所有带有PDF文件链接的<a>标签
pdf_links = soup.find_all('a', href=True)

# 遍历查找到的所有链接,下载PDF
for link in pdf_links:
    pdf_relative_url = link['href']  # 获取相对路径
    if pdf_relative_url.endswith('.pdf'):
        pdf_url = base_url + pdf_relative_url  # 拼接成完整的URL
        pdf_name = os.path.join(DOWNLOAD_DIR, pdf_url.split("/")[-1])  # 使用文件名保存PDF

        # 下载PDF文件
        print(f"Downloading {pdf_name}...")
        pdf_response = requests.get(pdf_url)
        with open(pdf_name, 'wb') as pdf_file:
            pdf_file.write(pdf_response.content)

        print(f"Downloaded {pdf_name}")

# 关闭浏览器
driver.quit()

print("All PDF files have been downloaded.")

关键步骤:

  1. Selenium 模拟浏览器:Selenium 会加载页面,确保动态加载的内容能够被正确解析。
  2. 处理动态内容 :通过 driver.page_source 获取完整的页面HTML,然后使用 BeautifulSoup 进行解析。

总结:

使用 Selenium 可以解决动态加载的内容问题,并且通过这种方式,你可以抓取到包含PDF链接的完整网页内容。如果网页确实是动态生成的,那么这种方法应该可以帮助你成功获取PDF文件的链接。

相关推荐
酷飞飞10 小时前
Python网络与多任务编程:TCP/UDP实战指南
网络·python·tcp/ip
数字化顾问12 小时前
Python:OpenCV 教程——从传统视觉到深度学习:YOLOv8 与 OpenCV DNN 模块协同实现工业缺陷检测
python
学生信的大叔13 小时前
【Python自动化】Ubuntu24.04配置Selenium并测试
python·selenium·自动化
诗句藏于尽头14 小时前
Django模型与数据库表映射的两种方式
数据库·python·django
阿幸软件杂货间14 小时前
Office转PDF转换器v1.0.py
开发语言·pdf·c#
智数研析社14 小时前
9120 部 TMDb 高分电影数据集 | 7 列全维度指标 (评分 / 热度 / 剧情)+API 权威源 | 电影趋势分析 / 推荐系统 / NLP 建模用
大数据·人工智能·python·深度学习·数据分析·数据集·数据清洗
扯淡的闲人14 小时前
多语言编码Agent解决方案(5)-IntelliJ插件实现
开发语言·python
moxiaoran575314 小时前
Flask学习笔记(一)
后端·python·flask
秋氘渔15 小时前
迭代器和生成器的区别与联系
python·迭代器·生成器·可迭代对象
Gu_shiwww15 小时前
数据结构8——双向链表
c语言·数据结构·python·链表·小白初步