一个比较简单的文库爬虫，所以带来的后遗症也很多明显，比较low比，只能爬取word，txt，ppt别想了，同时不能有折叠的内容，当然vip的内容也不要妄想了，百度吃相还是真难看，有钱真的可以为所欲为！
关键点就在于，协议头，直接用爬虫的协议头才能获取到内容！
header={"User-agent":"Googlebot"}
而想要输出为word文档，那就需要使用到 docx 库！
当然格式还是差强人意，有总比没有强吧，你说是吧？！
pip安装 docx 库
pipinstallpython_docx
文档参考：https://python-docx.readthedocs.io/en/latest/
参考代码：
defget_word(data):document=Document()document.add_heading(data[0])fordetailindata[1]:document.add_paragraph(detail)#添加段落document.save(f"{data[0]}.docx")
附完整代码参考：
#百度文库采集#2003微信：huguo00289#/view/312ce9da0129bd64783e0912a216147916117e27.html#-*-coding:UTF-8-*-importrequests,refromlxmlimportetreefromdocximportDocumentdefget_detail(url):#url="/view/312ce9da0129bd64783e0912a216147916117e27.html"header={"User-agent":"Googlebot"}response=requests.get(url,headers=header).content.decode("gbk")#print(response)title_ze=r"<title>(.+?)_百度文库</title>"div_ze=r"<divclass="bddoc-reader">(.+?)<divclass="aside">"title=re.findall(title_ze,response,re.S)[0]div=re.findall(div_ze,response,re.S)[0]div=etree.HTML(div)details=div.xpath("//div//text()")#detail="\n".join(details)data=title,detailsprint(data)returndatadefget_word(data):document=Document()document.add_heading(data[0])fordetailindata[1]:document.add_paragraph(detail)#添加段落document.save(f"{data[0]}.docx")if__name__=="__main__":url="/view/cb02b4a91837f111f18583d049649b6648d7092e"text=get_detail(url)get_word(text)
微信公众号：二爷记
不定时分享python源码及工具
