自动下载MarkDown格式会议论文的程序

近期师兄发给我一个压缩包让我整理文献，而我发现压缩包里的内容是这样：

这样：

和这样的：

我大概看了一下，可能有270多篇文章是这种格式，俗话说的好，没有困难的工作，只有勇敢的研究僧。所以决定用Python自己写一个脚本。

尽管这个程序还有许多不足之处：1）对于文件很大的时候会只下载一个18kb左右的无法打开文件；2）程序中间出现网络或者文件异常，没有对异常进行处理；3）因为md文件里面的pdf文章地址，有的打开是网站、有的打开可以直接下载，有的打开是pdf文件......，所以还需要人工去分一下哪一类域名下的网址可以直接下载或是pdf文件，一共可能也就20种以内，打印一下选几个关键词判断一下就行。

这个程序的主要思想：1）利用Python对文件夹和文件进行遍历；2）读取md文件内容并且根据# 标识识别文章标题，利用“pdf”和正则表达式识别出pdf下载的地址；3）使用urllib库的urlretrieve对指定网址的资源文件进行下载到指定文件夹。

结果：实现173篇文章的自动下载，并将无法下载的文章名和网址保存在相关的文件内。最后希望能够对你产生帮助，如果有帮助可以点个赞。

代码如下：

import os
import re
from urllib.request import urlretrieve
import ssl
 
from urllib import request
opener = request.build_opener()
opener.addheaders = ([('User-Agent','Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36')])
request.install_opener(opener)
 
# 关闭证书验证，方便下载
ssl._create_default_https_context = ssl._create_unverified_context
# md根路径
ori_path=r'D:\User\Weiming\Desktop\conference_publication'
pattern = re.compile(r'http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\(\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+')  # 网页地址匹配模式
listdir=os.listdir(ori_path)
# print(listdir)
# 文章名和网页地址
paper_title=''
pdf_path=''
# 文献保存路径
save_dir=r'D:\User\Weiming\Desktop\conference paper'
# 可访问的地址
access_strings=['aaai.org','dl.acm.org','playbiqdata','pasinit','platanios','muhaochen.github.io',
                            'arxiv.org','openreview.net','proceedings.mlr.press','semantic-web-journal.net','aidanhogan.com']
 
# 保存下载失败的地址
fail_file=os.path.join(save_dir,'fail_down.txt')
for son_path in listdir: # 遍历每个会议文件夹
    new_dir=os.path.join(ori_path,son_path) # 生成会议文件夹路径
    # print('会议文件夹路径：',new_dir)
    son_listdir=os.listdir(os.path.join(ori_path,son_path)) # 会议文件夹下文章文件夹数组
    # print('会议文章：',son_listdir)
 
    for new_son_path in son_listdir: # 遍历 每个会议文件夹下，每个文章文件夹
        if new_son_path != 'README.md': # 不访问会议文件夹下的README.md文件
            file_dir = os.path.join(new_dir, new_son_path) # 生成文章文件夹路径
            print('文章文件夹路径：',file_dir)
            file_name=os.listdir(file_dir) # 获取README文件名称，发现有一些文件命名不是很统一
            # print(file_name)
            # print(len(file_name))
            # 如果不是一个文件，理论上是一个md文件
            if len(file_name)>1:
                print('该文件夹下不止一个文件？',file_dir)
            # 如果文件夹下没有md文件
            if len(file_name)==0:
                print('该文件夹下没有文件：',file_dir)
                continue
            md_file = os.path.join(file_dir, file_name[0])
            # print('文章README文件路径：',md_file)
            f=open(md_file,encoding='utf-8')
            for line in f:
                # print(line)
                if '# ' in line:
                    paper_title=line[2:]
                    print('Paper Title: ',paper_title) # 打印一下文章名
                if '**pdf**' in line:
                    url = re.findall(pattern, line)
                    pdf_path=url[0][:-1]
                    print('PDF DownPath: ',pdf_path) # 匹配到的第一个字符串，去除最后面的 )
            exist=0
            for sub_string in access_strings:
                if sub_string in pdf_path:
                    exist=1
            if exist==1:
                paper_title=paper_title.rstrip()
                paper_title=paper_title.replace('\n','')
                paper_title=paper_title.replace(':','_').replace('?','_').replace('!','_').replace('/','_')
                save_file_path=save_dir+'\\'+str(son_path)+'_'+paper_title+'.pdf'
                # 判断文件是否存在：
                if os.path.exists(save_file_path) == True:
                    print('已存在')
                    continue
                request.urlretrieve(pdf_path,save_file_path) # 请求下载
            else:
                print('下载失败...')
                print(paper_title,'  ',pdf_path)
                failop = open(fail_file, 'a', encoding='utf-8')
                failop.write(paper_title.replace('\n',''))
                failop.write('\n')
                failop.write(pdf_path)
                failop.write('\n')
                failop.write('\n')
                failop.close()
            f.close()