Python获取豆丁文档数据内容, 保存word文档

news2024/11/18 15:34:48

前言

嗨喽，大家好呀~这里是爱看美女的茜茜呐

开发环境:

python 3.8
pycharm

模块使用:

requests --> pip install requests
re
base64
docx --> pip install python-docx

第三方模块安装方法：

win + R 输入cmd 输入安装命令 pip install 模块名

(如果你觉得安装速度比较慢, 你可以切换国内镜像源)

准备工作

在写代码之前，你需要先在Baidu开发者平台申请权限，

步骤如下：

1. 登录百度智能云

「https://cloud.baidu.com/?from=console」，没有Baidu账号的注册一个；
第一次进入会有这样一个页面，你自己随意填

2. 通过界面右上角进入控制台

3. 进入控制台后点击左上角的菜单栏

3. 选中产品服务

搜索人脸识别

4. 点击创建应用

应用名称随便填

接口选择默认

应用归属选个人

应用描述随便填

然后点击立即创建

5. 创建完毕后点击返回应用列表

重点点击领取免费资源

6. 进行实名认证后领取服务类型里面的所有内容

实名认证需要一定时间

7. 领取完毕之后回到应用列表

复制API Key和Secret Key里的内容，用于后期的接口认证

👇 👇 👇 更多精彩机密、教程，尽在下方，赶紧点击了解吧~

素材、视频教程、完整代码、插件安装教程我都准备好了，直接在文末名片自取就可

代码实现步骤

发送请求, 模拟浏览器对于文档页面url地址发送请求
获取数据, 获取服务器返回响应数据
解析数据, 提取我们需要的内容:

sid参数 / 文档页数 / 文档名称

构建文档图片链接
保存数据, 把文档图片内容保存下来

代码展示

# 导入数据请求模块
import requests
# 导入正则模块
import re
import base64
from docx import Document

doc = Document()


def Content(content):
    url = "https://****/oauth/2.0/token?grant_type=client_credentials&client_id=xxxx&client_secret=xxxx"
    payload = ""
    headers = {
        'Content-Type': 'application/json',
        'Accept': 'application/json'
    }
    response = requests.request("POST", url, headers=headers, data=payload)
    access_token = response.json()['access_token']
    '''
    通用文字识别（高精度版）
    '''
    request_url = "https://****/rest/2.0/ocr/v1/accurate_basic"
    # 二进制方式打开图片文件
    # f = open('img\\1 计算机概述1.jpg', 'rb')
    img = base64.b64encode(content)
    params = {"image":img}
    request_url = request_url + "?access_token=" + access_token
    headers = {'content-type': 'application/x-www-form-urlencoded'}
    json_data = requests.post(request_url, data=params, headers=headers).json()
    words_result = '\n'.join([i['words'] for i in json_data['words_result']])
    print(words_result)

# 模拟浏览器 --> 字典数据类型 --> 键:值
headers = {
    # User-Agent 用户代理 表示浏览器基本身份信息
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36'
}
# 请求链接
url = 'https://****/p-3282300896.html'
# 发送请求
response = requests.get(url=url, headers=headers)

# 获取网页数据
html_data = response.text
# 提取sid参数
sid = re.findall('flash_param_hzq:"(.*?)",', html_data)[0]
# 提取名字
name = re.findall('productName:"(.*?)",', html_data)[0]
# 提取页码
num = re.findall('<em>(\d+)</em>页</span>', html_data)[0]
# 构建完整图片链接
content_list = []
for page in range(1, int(num)+1):
    # 字符串格式化方法
    img = f'http://221.122.117.73/docinpic.jsp?sid={sid}&file=3282300896&width=942&pageno={page}'
    # 发送请求, 获取二进制数据<图片内容>
    img_content = requests.get(url=img, headers=headers).content
    words = Content(img_content)
    doc.add_paragraph(words)

doc.save(f'{name}.docx')