python - .requests() 文件类型问题 - 无法从 Content Delivery Network 获取 PDF
问题描述
我无法获取此处找到的 PDF 的内容,因为它们由名为 Widen 的内容交付网络 (CDN) 托管。
下面的代码在网页中嵌入的 PDF 链接上是成功的......
url = 'https://embed.widencdn.net/pdf/plus/widnr/kdlgedcepu/miss_surv_120117.pdf?u=7vkdxn'
filepath = r"C:\Users\pathgoeshere\{}.pdf".format('test')
if os.path.exists(filepath):
pass
else:
r = requests.get(url)
with open(filepath, 'wb') as f:
f.write(r.content)
...但由于 url 指向内容交付网络而不是 pdf 本身,因此请求不会返回所需的 pdf;打开pdf时会引发错误。
任何人都可以帮助抓取通过内容交付网络托管的 pdf 文件吗?
解决方案
您没有从 CDN 获得 pdf 的问题,因为它将 pdf 封装在一个脚本中,该脚本自动设置密码并将您的请求重定向到另一个 URL。为了下载 pdf,您必须首先从标题中提取脚本标签以找到指向 pdf 的 url。然后,您必须使用脚本设置的完全相同的参数构建第二个请求:
- 签名
- 过期
- 密钥对 ID
第二个请求是下载 pdf。
import os
import requests
import urllib.parse as urlparse
from urllib.parse import parse_qs
from urlextract import URLExtract
from bs4 import BeautifulSoup
url = 'https://embed.widencdn.net/pdf/plus/widnr/rfazsshahb/Fall2017Waterfowl_GreenBay_Survey_Nov.pdf?u=7vkdxn'
filepath = r'C:\Path\{}.pdf'.format('test')
if os.path.exists(filepath):
pass
else:
request = requests.get(url)
html = BeautifulSoup(request .content)
pdf_script = html.head.find('script', type="text/javascript").string
# Extract the url
extractor = URLExtract()
url_to_pdf = extractor.find_urls(pdf_script)
# Parse URL
parsed = urlparse.urlparse(url_to_pdf[0])
# Get parameters
signature = parse_qs(parsed.query)['Signature'][0]
expires = int(parse_qs(parsed.query)['Expires'][0])
kip = parse_qs(parsed.query)['Key-Pair-Id'][0]
url = parsed.scheme + "://" + parsed.netloc + parsed.path
#Build second request
pdf_request = requests.get(url, params={'Key-Pair-Id': kip, 'Signature': signature, 'Expires': expires})
print(pdf_request)
with open(filepath, 'wb') as f:
f.write(pdf_request.content)
您可能需要安装 urlextract、BeautifulSoup
pip install beautifulsoup4
pip install urlextract
请注意,这不是通用解决方案,可能仅适用于此 CDN。
推荐阅读
- php - 如何将 WhatsApp 分享按钮添加到 PHP 网站?
- maven - Alfresco HotSwapAgent 额外类
- initialization - 多次重新加载fancytree的问题
- python - 有没有办法将 H2O 部分相关绘图结果保存为数据框?
- typescript - 在没有模块的情况下使用 TypeScript、Mocha 和 Chai
- c++ - 最大的回文产品 - 程序未运行,编写解决方案但无法理解问题
- python - 无法理解 perl 中的正则表达式修饰符以转换为 python
- scala - Scala - 如何在 Spark 的 map 函数中实现 Try
- c++ - c ++构造函数将1个字符串参数转换为3个属性
- maven - 如何在 TeamCity 中进行动态报告