Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

https://github.com/dylanyang17/TsinghuaBookCrawler

清华教参平台爬虫
https://github.com/dylanyang17/TsinghuaBookCrawler

Last synced: 4 days ago
JSON representation

清华教参平台爬虫

Awesome Lists containing this project

README 

        
# 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](https://github.com/lflame/TsinghuaBookCrawler/blob/master/example/1.png)



![example2](https://github.com/lflame/TsinghuaBookCrawler/blob/master/example/2.png)



![example3](https://github.com/lflame/TsinghuaBookCrawler/blob/master/example/3.png)



## 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：[email protected], [email protected]



能力和时间均有限，若有写得不好的地方，还望指正。