Question

我正在尝试从网站（http://cis-ca.org/islamscience1.php）下载期刊期刊。我运行了一些命令来获取此页面上的所有PDF。但是，这些PDF内部具有链接到另一个PDF的链接。

我想从所有PDF链接中获取终端文章。

中获取所有PDF。

import os
import requests
from urllib.parse import urljoin
from bs4 import BeautifulSoup

url = "http://cis-ca.org/islamscience1.php"

#If there is no such folder, the script will create one automatically
folder_location = r'webscraping'
if not os.path.exists(folder_location):os.mkdir(folder_location)

response = requests.get(url)
soup= BeautifulSoup(response.text, "html.parser")     
for link in soup.select("a[href$='.pdf']"):
    #Name the pdf files using the last portion of each link which are unique in this case
    filename = os.path.join(folder_location,link['href'].split('/')[-1])
    with open(filename, 'wb') as f:
        f.write(requests.get(urljoin(url,link['href'])).content)

我想将这些文章链接到这些PDF中。预先感谢

Answer 1

https://mamclain.com/?page=Blog_Programing_Python_Removing_PDF_Hyperlinks_With_Python

看看这个链接。它显示了如何识别超链接和清理PDF文档。您可以将其跟随到标识部分，然后执行存储超链接的操作，而不是进行消毒。

或者，看看这个库：https://github.com/metachris/pdfx

自动下载多个pdf文件中的所有链接（PDF）

1 个答案: