您好,登錄后才能下訂單哦!
今天就跟大家聊聊有關(guān)Python爬蟲如何讓把廖雪峰的教程轉(zhuǎn)換成PDF電子書,可能很多人都不太了解,為了讓大家更加了解,小編給大家總結(jié)了以下內(nèi)容,希望大家根據(jù)這篇文章可以有所收獲。
寫爬蟲似乎沒有比用 Python 更合適了,Python 社區(qū)提供的爬蟲工具多得讓你眼花繚亂,各種拿來就可以直接用的 library 分分鐘就可以寫出一個爬蟲出來,今天就琢磨著寫一個爬蟲,將廖雪峰的 Python 教程 爬下來做成 PDF 電子書方便大家離線閱讀。
開始寫爬蟲前,我們先來分析一下該網(wǎng)站1的頁面結(jié)構(gòu),網(wǎng)頁的左側(cè)是教程的目錄大綱,每個 URL 對應(yīng)到右邊的一篇文章,右側(cè)上方是文章的標(biāo)題,中間是文章的正文部分,正文內(nèi)容是我們關(guān)心的重點(diǎn),我們要爬的數(shù)據(jù)就是所有網(wǎng)頁的正文部分,下方是用戶的評論區(qū),評論區(qū)對我們沒什么用,所以可以忽略它。
弄清楚了網(wǎng)站的基本結(jié)構(gòu)后就可以開始準(zhǔn)備爬蟲所依賴的工具包了。requests、beautifulsoup 是爬蟲兩大神器,reuqests 用于網(wǎng)絡(luò)請求,beautifusoup 用于操作 html 數(shù)據(jù)。有了這兩把梭子,干起活來利索,scrapy 這樣的爬蟲框架我們就不用了,小程序派上它有點(diǎn)殺雞用牛刀的意思。此外,既然是把 html 文件轉(zhuǎn)為 pdf,那么也要有相應(yīng)的庫支持, wkhtmltopdf 就是一個非常好的工具,它可以用適用于多平臺的 html 到 pdf 的轉(zhuǎn)換,pdfkit 是 wkhtmltopdf 的Python封裝包。首先安裝好下面的依賴包,接著安裝 wkhtmltopdf
pip install requests pip install beautifulsoup pip install pdfkit
Windows平臺直接在 wkhtmltopdf 官網(wǎng)2下載穩(wěn)定版的進(jìn)行安裝,安裝完成之后把該程序的執(zhí)行路徑加入到系統(tǒng)環(huán)境 $PATH 變量中,否則 pdfkit 找不到 wkhtmltopdf 就出現(xiàn)錯誤 “No wkhtmltopdf executable found”。Ubuntu 和 CentOS 可以直接用命令行進(jìn)行安裝
$ sudo apt-get install wkhtmltopdf # ubuntu $ sudo yum intsall wkhtmltopdf # centos
一切準(zhǔn)備就緒后就可以上代碼了,不過寫代碼之前還是先整理一下思緒。程序的目的是要把所有 URL 對應(yīng)的 html 正文部分保存到本地,然后利用 pdfkit 把這些文件轉(zhuǎn)換成一個 pdf 文件。我們把任務(wù)拆分一下,首先是把某一個 URL 對應(yīng)的 html 正文保存到本地,然后找到所有的 URL 執(zhí)行相同的操作。
用 Chrome 瀏覽器找到頁面正文部分的標(biāo)簽,按 F12 找到正文對應(yīng)的 div 標(biāo)簽: <div class="x-wiki-content">
,該 div 是網(wǎng)頁的正文內(nèi)容。用 requests 把整個頁面加載到本地后,就可以使用 beautifulsoup 操作 HTML 的 dom 元素 來提取正文內(nèi)容了。
具體的實(shí)現(xiàn)代碼如下:用 soup.find_all 函數(shù)找到正文標(biāo)簽,然后把正文部分的內(nèi)容保存到 a.html 文件中。
def parse_url_to_html(url): response = requests.get(url) soup = BeautifulSoup(response.content, "html5lib") body = soup.find_all(class_="x-wiki-content")[0] html = str(body) with open("a.html", 'wb') as f: f.write(html)
第二步就是把頁面左側(cè)所有 URL 解析出來。采用同樣的方式,找到 左側(cè)菜單標(biāo)簽 <ul class="uk-nav uk-nav-side">
具體代碼實(shí)現(xiàn)邏輯:因為頁面上有兩個uk-nav uk-nav-side的 class 屬性,而真正的目錄列表是第二個。所有的 url 獲取了,url 轉(zhuǎn) html 的函數(shù)在***步也寫好了。
def get_url_list(): """ 獲取所有URL目錄列表 """ response = requests.get("http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000") soup = BeautifulSoup(response.content, "html5lib") menu_tag = soup.find_all(class_="uk-nav uk-nav-side")[1] urls = [] for li in menu_tag.find_all("li"): url = "http://www.liaoxuefeng.com" + li.a.get('href') urls.append(url) return urls
***一步就是把 html 轉(zhuǎn)換成pdf文件了。轉(zhuǎn)換成 pdf 文件非常簡單,因為 pdfkit 把所有的邏輯都封裝好了,你只需要調(diào)用函數(shù) pdfkit.from_file
def save_pdf(htmls): """ 把所有html文件轉(zhuǎn)換成pdf文件 """ options = { 'page-size': 'Letter', 'encoding': "UTF-8", 'custom-header': [ ('Accept-Encoding', 'gzip') ] } pdfkit.from_file(htmls, file_name, options=options)
執(zhí)行 save_pdf 函數(shù),電子書 pdf 文件就生成了,效果圖:
總共代碼量加起來不到50行,不過,且慢,其實(shí)上面給出的代碼省略了一些細(xì)節(jié),比如,如何獲取文章的標(biāo)題,正文內(nèi)容的 img 標(biāo)簽使用的是相對路徑,如果要想在 pdf 中正常顯示圖片就需要將相對路徑改為絕對路徑,還有保存下來的 html 臨時文件都要刪除,這些細(xì)節(jié)末葉都放在github上。
看完上述內(nèi)容,你們對Python爬蟲如何讓把廖雪峰的教程轉(zhuǎn)換成PDF電子書有進(jìn)一步的了解嗎?如果還想了解更多知識或者相關(guān)內(nèi)容,請關(guān)注億速云行業(yè)資訊頻道,感謝大家的支持。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報,并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。