Python爬取廖雪峰教程存为PDF
首先感谢廖老师给我们大家提供的那么好的教程，相信大部分童鞋都看过廖老师的python教程，我也是从这个教程入了门。后来又开始接着学JavaScript，不过每次都要用浏览器上网浏览太麻烦，所以就用爬虫爬下来保存为PDF格式。不过缺点就是没有目录废话不多说上代码。
# coding=utf-8
import os
import time
import re
import requests
import pdfkit
from bs4 import BeautifulSoup
from PyPDF2 import PdfFileMerger,PdfFileReader, PdfFileWriter
import sys
#test12
html_template = """
<!DOCTYPE html>
<body>
<html lang="en">
<head>
<meta charset="UTF-8">
</head>
{content}
path_wk = r'C:\Program Files\wkhtmltopdf\bin\wkhtmltopdf.exe' #安装位置
</body>
</html>
"""
config = pdfkit.configuration(wkhtmltopdf = path_wk)
def parse_url_to_html(url, name):
#----------------------------------------------------------------------
"""
解析URL，返回HTML内容
:param url:解析的url
:param name: 保存的html文件名
body = soup.find_all(class_="x-wiki-content")[0]
:return: html
"""
try:
response = requests.get(url)
soup = BeautifulSoup(response.content, 'html.parser')
# 正文
# 标题
center_tag.insert(1, title_tag)
title = soup.find('h4').get_text()
# 标题加入到正文的最前面，居中显示
center_tag = soup.new_tag("center")
title_tag = soup.new_tag('h1')
title_tag.string = title
if not m.group(3).startswith("http"):
body.insert(1, center_tag)
html = str(body)
# body中的img标签的src相对路径的改成绝对路径
pattern = "(<img .*?src=\")(.*?)(\")"
def func(m):
html = html_template.format(content=html)
rtn = m.group(1) + "http://www.liaoxuefeng.com" + m.group(2) + m.group(3)
return rtn
else:
return m.group(1)+m.group(2)+m.group(3)
html = re.compile(pattern).sub(func, html)
def get_url_list():
html = html.encode("utf-8")
with open(name, 'wb') as f:
f.write(html)
return name
except Exception as e:
print ("解析错误！")
#----------------------------------------------------------------------
"""
menu_tag = soup.find_all(class_="uk-nav uk-nav-side")[1]
获取所有URL目录列表
:return:
"""
response = requests.get("http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000")
soup = BeautifulSoup(response.content, "html.parser")
urls = []
def save_pdf(htmls, file_name):
for li in menu_tag.find_all("div"):
url = "http://www.liaoxuefeng.com" + li.a.get('href')
urls.append(url)
return urls
#----------------------------------------------------------------------
"""
把所有html文件保存到pdf文件
'custom-header': [
:param htmls: html文件列表
:param file_name: pdf文件名
:return:
"""
options = {
'page-size': 'Letter',
'margin-top': '0.75in',
'margin-right': '0.75in',
'margin-bottom': '0.75in',
'margin-left': '0.75in',
'encoding': "UTF-8",
#----------------------------------------------------------------------
('Accept-Encoding', 'gzip')
],
'cookie': [
('cookie-name1', 'cookie-value1'),
('cookie-name2', 'cookie-value2'),
],
'outline-depth': 10,
}
pdfkit.from_file(htmls, file_name, options=options,configuration=config)
def main():
start = time.time()
pdfs.append(file_name+str(i)+'.pdf')
file_name = u"liaoxuefeng_Python3_tutorial"
urls = get_url_list()
for index, url in enumerate(urls):
parse_url_to_html(url, str(index) + ".html")
htmls =[]
pdfs =[]
print(len(urls))
for i in range(len(urls)):
htmls.append(str(i)+'.html')
save_pdf(str(i)+'.html', file_name+str(i)+'.pdf')
output = open(u"廖雪峰Python_all.pdf", "wb")
print (u"转换完成第"+str(i)+'个html')
print(pdfs)
pdf_output = PdfFileWriter()
for pdf in pdfs:
pdf_input = PdfFileReader(open(pdf,'rb'))
page_count = pdf_input.getNumPages()
print(page_count)
for i in range(page_count):
pdf_output.addPage(pdf_input.getPage(i))
pdf_output.write(output)
print (u"输出PDF成功！")
if not os.path.exists(dir_name):
for html in htmls:
os.remove(html)
print (u"删除临时文件"+html)
for pdf in pdfs:
os.remove(pdf)
print (u"删除临时文件"+pdf)
total_time = time.time() - start
print(u"总共耗时：%f 秒" % total_time)
#----------------------------------------------------------------------
def changeDir(dir_name):
"""
目录切换
"""
os.mkdir(dir_name)
main()
os.chdir(dir_name)
#----------------------------------------------------------------------
if __name__ == '__main__':
#存放文件的路径
dir_name = 'c:\\12'
changeDir(dir_name)
代码很简单，就是获取所有博客左侧导航栏对应的所有URL，然后将每个url解析出来保存成html,再将每个html保存成单个pdf文件，最后合并pdf文件。需要注意的是windwos 下需要安装wkhtmltopdf.exe 这个软件，并在python代码里指明这个程序的路径。不然合并时会报错。
下载html保存成pdf
将单个html解析成单个pdf文件
合并成pdf
最后合并的文件
内容：
最后的pdf文件
最新更新：按照这个代码目前无法抓取，因为廖老师把网站改成https了。对应代码要做修改。
而且Requests 请求里需要加入User-agent模拟浏览器请求，就可以了。
原文发布时间为：2018-11-25
本文作者：欧巴
本文来自云栖社区合作伙伴“Python爱好者社区”，了解相关信息可以关注“Python爱好者社区”。