怎样从网上手扒PDF——通过SHELL脚本,获取PDF原文件
in 技术日志 with 2 comments and 176 read

怎样从网上手扒PDF——通过SHELL脚本,获取PDF原文件

in 技术日志 and 177 read

最近意外获取了一个PDF链接(链接已被我和谐掉)。

虽然我不会看这个文档,但是这不影响我生气他们不提供PDF源文件的下载链接。

所以我就试着寻找一些蛛丝马迹来解决这个问题。

类似于我《怎样从网上手扒原图》一文所说,浏览器的开发者工具可以给我们提供一些帮助。

可恶,这帮人竟然把阅读的部分直接封装了一个类。(其实也是常规的防盗操作。)

但是他的预览图却在裸奔,直接暴露了原图URL。

http://cdn-img-oss-prod.kuick.cn/conference/39810/ppt/4af5de83-80d6-4405-b327-3b5ad1830ad8/img/pict-1.png@1e_199w_281h_1c_0i_1o_1x

稍微观察一下,还是在图片后面加了一个后缀,简单的处理了一下尺寸。

我们还是把.png后面的内容删掉。

http://cdn-img-oss-prod.kuick.cn/conference/39810/ppt/4af5de83-80d6-4405-b327-3b5ad1830ad8/img/pict-1.png

这个就是正常的图片链接了,点开看了看,清晰度非常好。

可是PDF这么多页,还得手动一张一张扒?

能偷懒吗?

能。

再观察一下,其实所有26页PDF的图片,都是存在相同的目录下,而且文件名也有规律,就是按照数字排序的。

这他妈就好办了,我们直接写一个脚本,全都下载下来就行了。

脚本只需要会用mkdir、cd、wget等基本指令就能理解,里面唯一涉及到编程的东西就是用了一个for循环:使用$variable_name来表示变量。

!/bin/bash

cd /Users/lijiahui/Downloads; #这地方写的是我本人的文件目录

mkdir target;

cd ./target;

for varible1 in {1..26}

do
     wget http://cdn-img-oss-prod.kuick.cn/conference/39810/ppt/4af5de83-80d6-4405-b327-3b5ad1830ad8/img/pict-$varible1.png;
done

保存成文件名.sh,然后chmod +x赋予执行权限,执行它即可。

完事儿之后,把所有的图片选中,右键菜单中选择:创建PDF,即可。

完美。

Responses
  1. 来看大佬操作~~~

    Reply
    1. @zgcwkj

      嘿嘿,都是些基本操作,跟大佬有差距

      Reply