-
Notifications
You must be signed in to change notification settings - Fork 7
/
main.py
169 lines (140 loc) · 6.88 KB
/
main.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
import os
import time
from pprint import pprint
from docx import Document
from docx.document import Document as D_anot
from docx.shared import RGBColor
from docx.text.paragraph import Paragraph
from htmldocx import HtmlToDocx
from selenium.common import exceptions as sel_exeptions
from selenium.webdriver import ChromeOptions, DesiredCapabilities
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.chrome.webdriver import WebDriver
from selenium.webdriver.common.by import By
from webdriver_manager.chrome import ChromeDriverManager
from undetected_chromedriver import Chrome as Chrome_UC
from requests import Response
from requests_html import HTMLSession, HTMLResponse, HTML
BASE_URL = "https://ranobelib.me"
def create_browser() -> WebDriver:
options = ChromeOptions()
options.add_argument("--disable-blink-features=AutomationControlled")
options.add_argument("--ignore-certificate-errors")
options.add_argument("--no-sandbox")
service = Service(ChromeDriverManager().install())
capa = DesiredCapabilities.CHROME
capa["pageLoadStrategy"] = "none"
browser = Chrome_UC(options=options, service=service, desired_capabilities=capa)
browser.delete_all_cookies()
return browser
def get_title_url(link: str) -> str:
title_url = ""
if BASE_URL in link:
s = link.split(BASE_URL)[1]
if len(s.split("/")) > 2:
title_url = "/" + s.split("/")[1]
if "?" in s:
title_url = s.split("?")[0].strip()
return title_url
def get_all_chapters(browser: WebDriver) -> list[tuple[str, str]]:
print("В зависимости от количества глав, сейчас может слегка зависнуть. Ничего не трогайте!")
chapters_vars = ["/html/body/div[1]/div[3]/div/div[3]/div[2]",
"/html/body/div[1]/div[3]/div/div[2]/div/div[1]"]
try:
chapters_div = browser.find_element(by=By.XPATH, value=chapters_vars[0])
chapters_div.click()
except Exception:
chapters_div = browser.find_element(by=By.XPATH, value=chapters_vars[1])
chapters_div.click()
time.sleep(2)
data = HTML(html=browser.page_source)
print("Браузер закрывается, так и должно быть.")
browser.close()
browser.quit()
chapters_divs = data.find("div.popup__content")
try:
chapters_divs = chapters_divs[0].find("div.modal__body")[0].find("a")
except Exception:
print("Не найден список глав на странице. Скорее всего вы не смотреи в окно этого браузера.")
quit()
chapters = []
for chapt in chapters_divs[::-1]:
if not chapt.text.strip() or not chapt.attrs.get("href"):
print("У названия главы на найден текст или ссылка.\n"
"Попробуйте снова.")
quit()
chapters.append((chapt.text, BASE_URL + chapt.attrs.get("href")))
return chapters
def parse_chapers(name_title: str, chapters: list[tuple[str, str]]):
browser_args = [
"--no-sandbox",
"--disable-blink-features=AutomationControlled",
"--ignore-certificate-errors"
]
session = HTMLSession(browser_args=browser_args)
doc_file: D_anot = Document()
new_parser = HtmlToDocx()
for num, (name, url_chapt) in enumerate(chapters):
os.system('cls||clear')
print(f"{num + 1} / {len(chapters)}")
chapter: HTMLResponse | Response = session.get(url_chapt)
if chapter.status_code == 200:
datas = chapter.html.find("div.reader-container.container.container_center")
title_head = doc_file.add_heading(name, 1)
title_head.style.font.color.rgb = RGBColor.from_string("000000")
new_parser.add_html_to_document(datas[0].html, doc_file)
else:
print("Произошла ошибка, страница скорее всего заблочена из-за слишком частых запросов.")
tries = 5
while tries >= 0:
print("")
print("Пробуем дождаться ответа страницы. ждем 10 секунд")
time.sleep(10)
chapter: HTMLResponse | Response = session.get(url_chapt)
if chapter.status_code != 200:
tries -= 1
continue
else:
datas = chapter.html.find("div.reader-container.container.container_center")
title_head: Paragraph = doc_file.add_heading(name, 1)
title_head.style.font.color.rgb = RGBColor.from_string("000000")
new_parser.add_html_to_document(datas[0].html, doc_file)
break
name_title = name_title.replace(":", " ")
doc_file.save(f'{name_title}.docx')
def start_parse(link: str):
time_wait = 5.0
title_url = get_title_url(link)
url = BASE_URL + title_url
browser: WebDriver = create_browser()
print("Запущен браузер. (chromedriver)")
print("Нужен только до получения списка глав, дальше закроется сам.")
print("Не трогайте, не двигайте, не меняйте размеры, не сворачивайте. "
"НИКАК НЕ ВЗАИМОДЕЙСТВУЙТЕ С ЭТИМ ОКНОМ!!")
print("ПОКА ЭТО ОКНО САМО НЕ ЗАКРОЕТСЯ НЕ ПЕРЕКЛЮЧАЙТЕСЬ НА ДРУГИЕ ОКНА!!!!!!!")
print("Открывается ссылка, введенная пользователем")
print(url)
browser.get(url)
time.sleep(time_wait)
main_title = browser.find_element(by=By.XPATH,
value="/html/body/div[3]/div/div/div/div[2]/div[1]/div[1]/div[1]").text
alt_title = browser.find_element(by=By.XPATH,
value="/html/body/div[3]/div/div/div/div[2]/div[1]/div[1]/div[2]").text
print(main_title, alt_title)
print("Переходим на страницу первой главы")
browser.find_element(by=By.LINK_TEXT, value="Начать читать").click()
time.sleep(time_wait)
try:
browser.find_element(by=By.XPATH, value="/html/body/div[3]/div/div/div[2]/div/button[2]").click()
time.sleep(3)
except Exception:
pass
print("Получаем список глав")
chapters = get_all_chapters(browser)
print("Начинаем парсинг глав!")
parse_chapers(main_title, chapters)
print("Завершено!")
if __name__ == "__main__":
input_url = input("Введите ссылку на ранобе в ranobelib.me для парсинга.\n")
# input_url = "https://ranobelib.me/longwang-chuan?section=info"
start_parse(input_url)