考虑到现在大部分小伙伴使用 Python 主要因为爬虫，那么为了更好地帮助大家巩固爬虫知识，加深对爬虫的理解，选择了爬取百度文库作为我们的目标。

废话不多说，我们开始。

TXT、DOCX 爬取与保存

在爬取任何东西之前，我们都要先确认需要爬取的数据是不是异步加载的；如果是异步加载的直接爬取网页是爬不到的。

要知道是不是异步加载其实很简单，就用requests 对网页发起请求，看看 response 是什么就可以了

很明显，返回的东西，并不是我们所需要的内容； 根据常理来说，我们就可以认为该网页是异步加载的。

但是，从常识来讲，如果网页的内容是异步加载的，那么直接通过百度搜索，是搜索不到网页内部的内容的，但是很显然，我们每次通过百度搜索都是可以直接找到文库中的文本内容的。

如下:

那么这就有意思了，明明直接发起请求是获取不到网页内容的，但是为什么通过百度搜索就可以找到呢？ 关键肯定在于百度搜索 上面。

这个时候通过查阅资料，我们了解到，最主要的问题出在我们的 headers

在爬取网页时，headers 通常是作为身份证，让网页不看出我们是爬虫；如果不加 headers，网页直接就会看出我们是爬虫，就会拒绝访问

再深入了解一下 headers 的识别机理，我们发现了叫做 Robot 协议的东西。

它规定了什么样的 headers 可以访问网页内部内容，除了指定 headers 之外的 headers，都是无法请求页面内容的。

比如说百度文库的 Robot 协议就是下面这样的：

而我们需要爬取的内容 url 格式为

https://wenku.baidu.com/view/?.html

这代表 Baiduspider 应该可以爬取文库内容；大致猜测这是因为百度搜索时需要根据文本内容匹配搜索选项，所以放行。

因此我们尝试伪装 UA 为 Baiduspider

果然不出所料，我们成功地获取到了目标内容