Python爬蟲怎么把教程轉(zhuǎn)換成PDF電子書

本篇內(nèi)容介紹了“Python爬蟲怎么把教程轉(zhuǎn)換成PDF電子書”的有關(guān)知識，在實(shí)際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！

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(gè) 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。

工具準(zhǔn)備

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(gè)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

安裝 wkhtmltopdf

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

爬蟲實(shí)現(xiàn)

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(gè) pdf 文件。我們把任務(wù)拆分一下，首先是把某一個(gè) 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(gè)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?yàn)轫撁嫔嫌袃蓚€(gè)uk-nav uk-nav-side的 class 屬性，而真正的目錄列表是第二個(gè)。所有的 url 獲取了，url 轉(zhuǎn) html 的函數(shù)在第一步也寫好了。

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

最后一步就是把 html 轉(zhuǎn)換成pdf文件了。轉(zhuǎn)換成 pdf 文件非常簡單，因?yàn)?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：

“Python爬蟲怎么把教程轉(zhuǎn)換成PDF電子書”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識可以關(guān)注億速云網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實(shí)用文章！