Created
September 14, 2024 07:18
-
-
Save me-suzy/d4487e542df91e7636fe915eb821c4c2 to your computer and use it in GitHub Desktop.
download google books 2
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
import os | |
import time | |
import requests | |
from bs4 import BeautifulSoup | |
from selenium import webdriver | |
from selenium.webdriver.chrome.service import Service | |
from selenium.webdriver.chrome.options import Options | |
from selenium.common.exceptions import NoSuchElementException | |
# Utilizarea Selenium Manager pentru a gestiona driverul corect | |
service = Service() | |
# Opțiuni pentru Chrome | |
chrome_options = Options() | |
chrome_options.add_argument('--start-maximized') | |
# Inițializează driver-ul Chrome | |
driver = webdriver.Chrome(service=service, options=chrome_options) | |
# URL-ul cărții de pe Google Books | |
url = 'https://www.google.ro/books/edition/Valori_clasice/1wsYAAAAMAAJ?hl=ro&gbpv=1' | |
# Deschide pagina cărții în browser | |
driver.get(url) | |
# Directorul unde vor fi salvate imaginile | |
save_directory = 'D:\\Books\\Valori_clasice' | |
if not os.path.exists(save_directory): | |
os.makedirs(save_directory) | |
# Așteaptă ca pagina să se încarce complet | |
time.sleep(5) | |
# Funcție pentru a încerca găsirea butonului de pagina următoare | |
def find_next_button(): | |
try: | |
# Încercare cu aria-label 'Pagina următoare' | |
next_button = driver.find_element('xpath', "//div[@aria-label='Pagina următoare']") | |
print("Butonul de pagina următoare a fost găsit cu aria-label='Pagina următoare'!") | |
return next_button | |
except NoSuchElementException: | |
try: | |
# Încercare cu clasa 'pagination' | |
next_button = driver.find_element('xpath', "//div[contains(@class, 'pagination')]") | |
print("Butonul de pagina următoare a fost găsit cu clasa pagination!") | |
return next_button | |
except NoSuchElementException: | |
try: | |
# Încercare cu altă clasă comună | |
next_button = driver.find_element('xpath', "//button[contains(text(), 'Next')]") | |
print("Butonul de pagina următoare a fost găsit cu text 'Next'!") | |
return next_button | |
except NoSuchElementException: | |
return None | |
# Descarcă toate imaginile din pagină | |
while True: | |
# Preluăm HTML-ul paginii și îl parsăm | |
soup = BeautifulSoup(driver.page_source, 'html.parser') | |
# Găsește toate imaginile vizibile din carte | |
images = soup.find_all('img') | |
# Descărcăm imaginile găsite | |
for index, img in enumerate(images): | |
img_url = img['src'] | |
if img_url.startswith('http'): | |
img_data = requests.get(img_url).content | |
img_path = os.path.join(save_directory, f'page_{index}.jpg') | |
if not os.path.exists(img_path): | |
with open(img_path, 'wb') as img_file: | |
img_file.write(img_data) | |
print(f'Descărcată pagina {index}') | |
# Caută butonul de „pagina următoare” și apasă pe el dacă există | |
next_button = find_next_button() | |
if next_button: | |
next_button.click() | |
time.sleep(5) # Așteaptă ca pagina următoare să se încarce | |
else: | |
print("Nu s-a găsit butonul pentru pagina următoare sau a fost atinsă ultima pagină.") | |
break | |
# Închide browserul | |
driver.quit() |
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment