Python批量爬取第三方库（安装）（二进制.whl文件）

秒速五厘米 2022-09-28 11:44 245阅读 0赞

使用 pip 下载安装某些第三方库，是一件很痛苦的事情，下载速度很慢。一旦下载超时，下载会被中止，需要重新下载。

本人用Python批量爬取http://www.lfd.uci.edu/~gohlke/pythonlibs/上的第三方库（二进制.whl文件）

# ![20170310173801609][]    #

save\_path = 'F:\\\\test\\\\test'  
url = 'http://www.lfd.uci.edu/~gohlke/pythonlibs/'  
html = getHtml(url)  
print('html done')  
html\_mod=re.sub('&\#46;' , '.' , html)    
name\_list = re.findall(r'title=\\W+>(.\*-py2.\*whl)</a>',html\_mod)

正式的下载地址为：http://www.lfd.uci.edu/~gohlke/pythonlibs/tuth5y6k/semantic\_version-2.6.0-py2.py3-none-any.whl

正式的下载地址为：" http://www.lfd.uci.edu/~gohlke/pythonlibs/  ” +   “ tuth5y6k/ " +  " \*.whl "

中间的tuth5y6k每隔段时间会变化成其他字符

**最好的办法是：**

把url = 'http://www.lfd.uci.edu/~gohlke/pythonlibs/'

html = getHtml(url)，把html写入.txt文件。

原网页把 “  .  ” 变成了“&\#46 ”， 所以需要把“&\#46 ”替换 “  .  ” 。

例如：原网页 semantic\_version-2.6.0-py2.py3-none-any.whl 变成了 semantic\_version-2&\#466&\#460-py2&\#46py3-none-any&\#46whl，所以需要替换回来。

不过原网页可能把数字或字母替换成其他字符，需要**自己自适应的替换回来**。

html\_mod=re.sub('&\#8209;' , '-' , html)  
html\_mod=re.sub('&\#46;' , '.' , html)

正则表达式（匹配不同的文件名）：

name\_list = re.findall(r'title=\\W+>(.\*-py2.\*whl)</a>',html\_mod)  本次下载中使用的正则表达式

name\_list = re.findall(r'title=\\W+>(.\*cp27.\*win32.\*whl)</a>',html\_mod）本次下载中使用的正则表达式

name\_list = re.findall(r'title=\\W+>(.\*cp27.\*amd64.\*whl)</a>',html\_mod)未使用

WHL文件是二进制文件，所以保存的时候需要以二进制写入(即wb)，普通方式写入，会导致下载的文件安装不了。

file = open(file\_name, 'wb')

#!/usr/bin/env python
    # coding=utf-8
    import urllib
    import urllib2
    import re
    import os,os.path
    import codecs
    
    def getHtml(url):
        page = urllib.urlopen(url)
        html = page.read()
        return html
    	
    def download_file(download_url,file_name):
        print download_url
        headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1)AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11'} 
        req = urllib2.Request(download_url,headers=headers)   	
        response = urllib2.urlopen(req)
        file = open(file_name, 'wb')
        file.write(response.read())
    	
    	
        file.close()
        print file_name
        print("Completed : .... %d  ..." % x)
    	
    save_path = 'F:\\test\\test'
    url = 'http://www.lfd.uci.edu/~gohlke/pythonlibs/'
    html = getHtml(url)
    print('html done')
    html_mod=re.sub('.' , '.' , html)
    name_list = re.findall(r'title=\W+>(.*-py2.*whl)',html_mod)
    x=1
    
    files=os.listdir(save_path)
    print files
    
    for name in name_list:    
        file_name = os.path.join(save_path ,name)
    	
        if name in files:
    	   continue	
        download_file('http://www.lfd.uci.edu/~gohlke/pythonlibs/dp2ng7en/'+name,file_name)
        x=x+1

![20170310180542323][]

从红色框看出下载了983个whl项目

下载了这么多第三方库，在另外一台闲置电脑是试着写脚本安装所有983个第三方库。

import urllib
    import urllib2
    import re
    import os,os.path
    import codecs
    from subprocess import Popen,PIPE
    
    downloaded_path='F:\\win32\\success'
    filelist=[]
    files=os.listdir(downloaded_path)
    file_name=r'F:\win32\record_program_install.txt'
    print files
    x=0
    for file in files:
       file_name = os.path.join(downloaded_path ,file)
       print('.............................Number = %d...................\n'%x )
       print('pip install %s' % file)
       output=os.popen('pip install %s' % file_name)
       print output.read()
       x+=1

![20170310183555366][]

[20170310173801609]: /images/20220708/925a8ead38b34c7e9575cb27ad059e17.png
[20170310180542323]: /images/20220708/4a28d214d07a4cf3958bec9c4056ac4e.png
[20170310183555366]: /images/20220708/f73bec5076fd45b1a02e9c23e526f6d5.png