用python下载PDF问题

predatorymh

http://www.in.gov.br/imprensa/pe ... acaoInicial=01%2F10
网站每个点进去都是一个pdf，但是我找不到下载的链接，求助如何用python把这些PDF下载下来，谢谢了

baggio1987

查看源代码后可以看到，每一个被点击的元素的源代码如下：

1. <div align="center">
   
2.     <a href="javascript:void(0);" title="Abrir esta edi&ccedil;&atilde;o jornal em nova janela" onclick="redirecionaSelect('http://www.in.gov.br/imprensa/visualiza/index.jsp?jornal=1&amp;pagina=53&amp;data=10/10/2011');"> Diário Oficial da União - Seção 1</a>
   
3. </div>

复制代码

可以看出，点击这个元素，会调用redirecionaSelect函数，后面的参数是新打开页面的网址a

1. http://www.in.gov.br/imprensa/visualiza/index.jsp?jornal=1&amp;pagina=53&amp;data=10/10/2011

复制代码

真正打开的网址b是

1. http://www.in.gov.br/imprensa/visualiza/index.jsp?jornal=1&pagina=53&data=10/10/2011

复制代码

其实就是amp;被删除了，我也不知道为什么会有这样的处理。

新网址b打开后，查看源代码，里面有这么一句

1. <frame name="visualizador" src="http://www.in.gov.br/servlet/INPDFViewer?jornal=1&pagina=53&data=10/10/2011&captchafield=firistAccess"  />

复制代码

经过我的试验，pdf的下载网址c就是

1. http://www.in.gov.br/servlet/INPDFViewer?jornal=1&pagina=53&data=10/10/2011&captchafield=firistAccess

复制代码

然后我用python编了个小程序，帮你下载下来pdf了。

1. import urllib
   
2. 
   
3. if __name__ == "__main__":
   
4. 
   
5.     url = 'http://www.in.gov.br/servlet/INPDFViewer?jornal=1&pagina=53&data=10/10/2011&captchafield=firistAccess'
   
6.     proxie={'http':'http://127.0.0.1:8086'}
   
7.     opener = urllib.URLopener(proxies=proxie)
   
8.     opener.retrieve(url,'c:\\Users\\baggio\\Desktop\\4.pdf')

复制代码

其实第一个页面的网址a和网址b以及第二个页面的pdf下载地址c之间是有固定关系的，我放在一起你看看，应该用程序可以实现从a到c的转换

1. http://www.in.gov.br/imprensa/visualiza/index.jsp?jornal=1&amp;pagina=53&amp;data=10/10/2011
   
2. http://www.in.gov.br/imprensa/visualiza/index.jsp?jornal=1&pagina=53&data=10/10/2011
   
3. http://www.in.gov.br/servlet/INPDFViewer?jornal=1&pagina=53&data=10/10/2011&captchafield=firistAccess

复制代码

solu

这个分析的不错。

wqjwftcaqr

结果是这样，是怎么回事？
>>>
Traceback (most recent call last):
  File "C:\Documents and Settings\Administrator\My Documents\新建 文本文档.py", line 11, in <module>
    opener.retrieve(url,'4.pdf')
  File "C:\Python26\lib\urllib.py", line 238, in retrieve
    fp = self.open(url, data)
  File "C:\Python26\lib\urllib.py", line 206, in open
    return getattr(self, name)(url)
  File "C:\Python26\lib\urllib.py", line 345, in open_http
    h.endheaders()
  File "C:\Python26\lib\httplib.py", line 892, in endheaders
    self._send_output()
  File "C:\Python26\lib\httplib.py", line 764, in _send_output
    self.send(msg)
  File "C:\Python26\lib\httplib.py", line 723, in send
    self.connect()
  File "C:\Python26\lib\httplib.py", line 704, in connect
    self.timeout)
  File "C:\Python26\lib\socket.py", line 514, in create_connection
    raise error, msg
IOError: [Errno socket error] [Errno 10061]
>>>

baggio1987

回复 4# wqjwftcaqr

不清楚，我这边测试是正常的。也许是版本的问题。我用的是python2.7

其实你可以根据我的分析自己写程序。不用一定要复制我的代码