Python实现DataFrame列中PDF链接批量下载及原文件名保留问题

你提供的DataFrame中pdf列已经是PDF文件的直接下载链接，原代码无法下载文件的核心原因是：直接请求PDF链接返回的是二进制PDF内容，而非HTML页面，用BeautifulSoup解析这种内容找不到任何<a>标签，自然无法触发下载逻辑。

优化后的解决方案 #

不需要解析HTML页面，直接对每个PDF链接发起请求，同时从URL中提取原文件名保存即可，代码如下：

import requests
import os

# 确保保存目录存在，不存在则自动创建
save_directory = "C:/myfolder"
if not os.path.exists(save_directory):
    os.makedirs(save_directory)

# 遍历DataFrame中的所有PDF链接
for pdf_url in df["pdf"]:
    try:
        # 发起GET请求获取PDF内容，stream=True适合大文件下载
        response = requests.get(pdf_url, stream=True)
        # 检查请求是否成功，若返回4xx/5xx状态码则抛出异常
        response.raise_for_status()
        
        # 从URL中提取原文件名（取URL最后一段）
        original_filename = pdf_url.split('/')[-1]
        # 拼接完整保存路径
        full_save_path = os.path.join(save_directory, original_filename)
        
        # 将二进制内容写入文件
        with open(full_save_path, 'wb') as pdf_file:
            pdf_file.write(response.content)
        
        print(f"✅ {original_filename} 下载完成")
    
    except Exception as error:
        print(f"❌ 下载 {pdf_url} 失败: {str(error)}")

代码关键点说明 #

• 直接请求PDF链接：跳过不必要的HTML解析步骤，直接获取二进制文件内容
• 提取原文件名：通过pdf_url.split('/')[-1]从URL末尾截取原文件名，保证文件名与源文件一致
• 目录预处理：提前创建保存目录，避免因目录不存在导致文件写入失败
• 异常处理：捕获请求过程中的错误（如链接失效、网络问题），避免单个链接失败中断整个下载流程
• 安全文件操作：使用with open()上下文管理器，自动关闭文件，避免资源泄漏

内容的提问来源于stack exchange，提问作者MG Fern