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。由于双因子认证,脚本不再要求输入用户名和密码,而是需要手动获取 token。
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。
python 版本为 python3(已测试 python 3.7-3.13),使用 requirements.txt 一键安装依赖:pip install -r requirements.txt
。
用于下载清华教参平台上的电子书pdf版本,清华教参平台:https://ereserves.lib.tsinghua.edu.cn/ 。
使用 python main.py -h
可以打印帮助信息:
usage: main.py [-h] -t TOKEN [-n N] [-q Q] [-d] [-r] url
Version: v3.0. Download e-book from http://ereserves.lib.tsinghua.edu.cn. By default, the
number of processes is four and the temporary images WILL BE preserved. For example, "python
main.py https://ereserves.lib.tsinghua.edu.cn/bookDetail/c01e1db11c4041a39db463e810bac8f9
4af518935a1ec46ef --token eyJhb...". Note that you need to manually login the ereserves
website and obtain the token from the FIRST request after login, like "/index?token=xxx", due
to two-factor authentication (2FA).
positional arguments:
url
options:
-h, --help show this help message and exit
-t TOKEN, --token TOKEN
Required. The token from the "/index?token=xxx".
-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.
-d, --del-img Optional. Delete the temporary images.
-r, --auto-resize Optional. Automatically unify page sizes.
一般来说只需要加上参数 --token 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 https://ereserves.lib.tsinghua.edu.cn/bookDetail/c01e1db11c4041a39db463e810bac8f9 4af518935a1ec46ef --token eyJhb...
,将自动下载到 download 子目录下。
必需参数说明:
- 链接:书籍的详情页面链接,例如 https://ereserves.lib.tsinghua.edu.cn/bookDetail/c01e1db11c4041a39db463e810bac8f9
- token:在浏览器中用 F12 打开开发者工具,选择 “Network”。此时登录教参平台(注意需要先打开开发者工具,再登录),可以看到一条 “index?token=eyJh...” 的请求,等号之后的内容即为 token,复制下来作为参数传递给程序即可。
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。
教参平台再次更新(变为 ereserves,而不是原本的 reserves),所以更新了 v3.0 版本。由于联邦认证要求双因子认证(2FA),目前的脚本取消了用户名和密码输入机制,改为手动获取 token 作为参数传入。
随之更新的一些其他特性:
- 修复了下载图片时 Ctrl+C 异常的问题;
- 修正 requirements.txt 以及 multiprocessing 处理代码,兼容不同 python 版本。
- 目前默认保留下载图片,可以加上 -d 取消保留。
- 增加了 -r/--auto-resize 参数,可以自动统一页面尺寸。
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。
- 更新 PyMyPDF 版本
- 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。
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。
- 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。
- 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。
- 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。
- 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。
- 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)。
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。
- 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。
- 感谢 baron0426 同学对 ereserves 新版教参平台 API 的分析,并完成了对应的核心代码编写,以此为基础更新了 v3.0 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, Long-Miao 直接提 PR 完成了修复。此外,特别感谢 baron0426 对 v3.0 版本的贡献。
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。