Skip to content

dylanyang17/TsinghuaBookCrawler

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

48 Commits
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

TsinghuaBookCrawler

背景

最近疫情严重,购买教材较为困难,为了方便大家在线学习,写了一个爬取清华教参的 python 脚本,因为还有很多其它事情要做(Orz毛概还没写完呢),所以就写得比较简单了。

功能上可以多进程爬取整本书的每一张图片(清晰度很高,可参见下面的实例),并自动合并得到 pdf 文件。下载过程支持“断点续传”,不会重复下载图片。脚本中要求输入的学号和密码为清华大学电子身份服务认证所需要,均仅用于清华官方服务的认证,以获得允许访问教参平台的书籍。学号和密码信息不会保存在本地,更不会上传到别处,这点我可以用人格担保,不放心的同学也可以自行阅读检查代码。

另外注意此脚本仅供方便清华师生学习之用,下载得到的电子书请务必不要进行传播(尤其是对校外的未授权者),也坚决反对任何批量下载书籍的违规行为。请大家自觉维护版权,合理使用资源,一切滥用该脚本导致的不良后果,作者概不负责。

使用说明

环境

python 版本为 python3,使用 requirements.txt 一键安装依赖:pip install -r requirements.txt

使用

用于下载清华教参平台上的电子书pdf版本,清华教参平台:http://reserves.lib.tsinghua.edu.cn 。找到自己需要的书籍之后,进入阅读界面将网址复制过来即可。此处也可用https,但教参平台的证书过期,会导致打印很多Warning。

使用 python main.py -h 可以打印帮助信息:

usage: main.py [-h] [-n N] [-q Q] [-p] [-r] url

Version: v2.1.3. Download e-book from http://reserves.lib.tsinghua.edu.cn. By
default, the number of processes is four and the temporary images will not be
preserved. For example, "python main.py http://reserves.lib.tsinghua.edu.cn/bo
ok5//00004634/00004634000/mobile/index.html".

positional arguments:
  url

optional arguments:
  -h, --help      show this help message and exit
  -n N            Optional, [1~16] (4 by default). The number of processes.
  -q Q            Optional, [3~10] (10 by default). The quality of the
                  generated PDF. The bigger the value, the higher the
                  resolution.
  -p, --preserve  Optional. Preserve the temporary images.
  -r, --auto-resize  Optional. Automatically unify page sizes.

一般来说不加参数使用即可,默认进程数为4。例子如上帮助信息所述,在存放main.py的目录下用命令行执行:"python main.py http://reserves.lib.tsinghua.edu.cn/book5//00004634/00004634000/mobile/index.html,在提示输入用户名和密码(密码不会显示)以及章节数后,将自动下载到 download 子目录下。

对于一般的单章节书籍来说,在提示输入章节数时直接回车跳过即可。

高级

自动统一页面尺寸 (beta)

一些书籍不同页面的尺寸不同,影响观感,所以加入了 -r/--auto-resize 可选参数,用于自动统一页面尺寸。

例如书籍 http://reserves.lib.tsinghua.edu.cn/book5//00005348/00005348000/mobile/index.html 存在尺寸问题,可加上 -r 参数解决。完整指令为: python main.py -r http://reserves.lib.tsinghua.edu.cn/book5//00005348/00005348000/mobile/index.html

多链接书籍下载——章节数参数

章节数为 v1.2 中加入的特性,实际上指链接数。主要是为了方便下载给出了多个链接的少部分书目。此时只需要将第一个链接作为 url 传入,并且提示输入章节数时输入实际链接数即可。

例如书籍:http://reserves.lib.tsinghua.edu.cn/Search/BookDetail?bookId=3cf9814a-33ce-4489-b025-c58140c26263,找到其第一个链接之后,执行 python main.py http://reserves.lib.tsinghua.edu.cn/book5//00001044/00001044000/index.html,并在提示输入章节数时输入 5 即可。

关于清晰度

v2.0 版本以上:由于使用新接口,只有唯一版本图片,目前测试看来应该是最高清的,如果出现异常或是发现更高清版本的接口,烦请联系作者,感谢。另外在 v2.1 版本以后对几乎同等质量下的 PDF 大小进行了大幅优化,并且支持调低清晰度以进一步降低生成的 PDF 大小,具体使用方法为 -q [3~10],数值越高则质量越好,默认为 10。如果可能会多次生成 PDF 以选择合适质量,请加上 -p 参数以避免多次下载图片文件。

低于 v2.0 版本的描述:-s {1, 2, 3} 可以显式设定清晰度,一般来说, 1、2、3 对应的清晰度依次递增,然而存在一些特例。故在 v1.2.1 版本中加入了对清晰度的自动选择(而不是默认-s 3),在没有指定清晰度时,将自动找到最高清晰度进行下载。

特性

v2.1.3 —— 2023/11/17

  • 增加了 -r/--auto-resize 参数,可以自动统一页面尺寸。

v2.1.2 —— 2023/9/18

修复了下载部分书籍时存在的 bug,包括:

  • 部分书籍网页信息中不存在 book_name,导致无法下载;
  • 部分书籍章节序号不连续。

v2.1.1 —— 2023/1/22

  • 更新 PyMyPDF 版本

v2.1 —— 2021/3/4

  • 大幅优化了几乎同等质量下生成的 PDF 文件大小;
  • 支持质量选项 -q [3~10],默认为 10 (最高质量),调小该值可以在降低清晰度的前提下降低 PDF 文件大小,若需多次测试合适清晰度建议开启 -p 选项以避免多次下载图片文件。

v2.0 —— 2021/2/21

由于教参平台接口更新,于是该脚本也迎来了 v2.0 版本,目前测试中发现影响不大,受到影响的特性有:

  • 书名提取可能失效,此时按照旧版本习惯会使用数字串进行代替;
  • 由于新接口似乎只提供了唯一清晰度,于是清晰度选择被取消。

如果遇到问题,请及时联系作者,谢谢。

v1.2.2

  • 对于多章节最高清晰度不同的少数情况进行了处理,将对每个章节链接都进行一遍最高清晰度和图片格式的确定;
  • 改进异常处理,修复网络状况不稳定时进程阻塞的bug。

v1.2.1

  • 修复v1.2中默认清晰度的设置,当不显式使用 -s {1, 2, 3} 指定清晰度时,将自动地对三种清晰度进行确认,将选择最高清晰度。

v1.2

  • 加入多章节书籍的一键下载和自动合并,使用更加方便;
  • 加入-s {1, 2, 3}清晰度选择,且提高默认清晰度
  • 加入链接正则化统一处理,既可打开阅读页面再复制链接,也可以在进入阅读页面前用右键复制链接。

v1.1

  • 更改参数输入方式,提高安全性;
  • 教参平台url支持 https。

版本 v1.0 中对于教参平台url不支持使用https,是因为教参平台的证书已经过期,会导致验证出错。考虑之后还是将 get 的 verify 关掉了,这会导致在使用https的时候产生很多警告(而不是直接抛出异常)。不过身份认证平台的证书并未过期,故该脚本对于涉及学号和密码的请求一直都使用更加安全的 https。

v1.0

  • 支持自动认证清华身份,使用简单;
  • 支持多进程快速下载;
  • 支持"断点续传",不会重复下载已经下载完成的部分;
  • 支持自动识别书名和页数(书名也可能得到一串数字)。

示例

如果无法直接显示,可以下载下来看,图片存储在 example 文件夹下。

example1

example2

example3

鸣谢

  • 感谢 awx 同学对清晰度选择的建议,由此新增了 v1.2 中清晰度选择的功能;
  • 感谢 cyz 同学对默认清晰度问题的反馈,由此新增了 v1.2.1 中自动选择清晰度的功能;
  • 感谢 sck 同学对不同章节最高清晰度设定可能不同这一问题的反馈,由此在 v1.2.2 中改进了自动选择清晰度的功能;
  • 感谢 Thinzhang 同学反馈教参平台采用的新接口相关问题,由此更新了 v2.0 版本;
  • 感谢 zhaofeng-shu33 和 HongYurui 同学反馈 PyMyPDF 版本问题,由此更新了 v2.1.1 版本。
  • 感谢 Tsingshanyuan 同学反馈部分书籍网页信息中不存在 book_name 的问题,感谢 Long-Miao 同学反馈部分书籍存在章节序号不连续的问题,由此更新了 v2.1.2 版本。
  • 感谢 Long-Miao 同学反馈页面尺寸统一性问题,并提交初步 PR,由此更新了 v2.1.3 版本。

近期时间有限,非常感谢各位反馈的同学,尤其是 zhaofeng-shu33, Tsingshanyuan 和 Long-Miao 同学直接提 PR 完成了修复。

说明

作者邮箱:315629555@qq.com, yyr22@mails.tsinghua.edu.cn

能力和时间均有限,若有写得不好的地方,还望指正。