Python3。如何将下载的网页保存到指定目录？

Question

我正在尝试将 python 主页中的所有链接保存到名为 'Downloaded pages' 的文件夹中。但是，在 for 循环进行 2 次迭代后，我收到以下错误：

www.python.org#content <_io.BufferedWriter name='Downloaded Pages/www.python.org#content'> www.python.org#python-network <_io.BufferedWriter name='Downloaded Pages/www.python.org#python-network'>

Traceback (most recent call last): File "/Users/Lucas/Python/AP book exercise/Web Scraping/linkVerification.py", line 26, in downloadedPage = open(os.path.join('Downloaded Pages', os.path.basename(linkUrlToOpen)), 'wb') IsADirectoryError: [Errno 21] Is a directory: 'Downloaded Pages/'

我不确定为什么会发生这种情况，因为页面似乎是由于看到“<_io.BufferedWriter name='Downloaded Pages/www.python.org#content'>”而被保存的，这对我来说是正确的路径。

这是我的代码：

import requests, os, bs4

# Create a new folder to download webpages to
os.makedirs('Downloaded Pages', exist_ok=True)

# Download webpage
url = 'https://www.python.org/'
res = requests.get(url)
res.raise_for_status() # Check if the download was successful

soupObj = bs4.BeautifulSoup(res.text, 'html.parser') # Collects all text form the webpage

# Find all 'a' links on the webpage
linkElem = soupObj.select('a')
numOfLinks = len(linkElem)

for i in range(numOfLinks):
    linkUrlToOpen = 'https://www.python.org' + linkElem[i].get('href')
    print(os.path.basename(linkUrlToOpen))

    # save each downloaded page to the 'Downloaded pages' folder
    downloadedPage = open(os.path.join('Downloaded Pages', os.path.basename(linkUrlToOpen)), 'wb')
    print(downloadedPage)
    if linkElem == []:
        print('Error, link does not work')
    else:
        for chunk in res.iter_content(100000):
            downloadedPage.write(chunk)
        downloadedPage.close()

感谢任何建议，谢谢。

Answer 1

问题是，当您尝试使用 .html 目录解析页面的基本名称时，它可以工作，但是当您尝试使用未指定的目录时url 像“http://python.org/” 基本名称实际上是空的（您可以尝试先打印 url 然后是括号之间的基本名称或其他内容以了解我的意思） .因此，要解决这个问题，最简单的解决方案是使用@Thyebri 所说的绝对路径。

另外，请记住，您编写的文件不能包含 '/', '\' or '?'

这样的字符

所以，我不知道下面的代码是否混乱，但是使用 re 库我会执行以下操作：

filename = re.sub('[\/*:"?]+', '-', linkUrlToOpen.split("://")[1])
downloadedPage = open(os.path.join('Downloaded_Pages', filename), 'wb')

所以，首先我删除部分我删除 "https://" 部分，然后使用正则表达式库我将 url 链接中出现的所有常用符号替换为破折号 '-'，这就是文件的名称。

希望有用！

Python3。如何将下载的网页保存到指定目录？

Python3. How to save downloaded webpages to a specified dir?

python

python-3.x

beautifulsoup

operating-system