Python怎么爬取csnd文章并轉(zhuǎn)為PDF文件

今天就跟大家聊聊有關(guān)Python怎么爬取csnd文章并轉(zhuǎn)為PDF文件，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。

1.導(dǎo)入模塊

import requests # 數(shù)據(jù)請求 發(fā)送請求 第三方模塊 pip install requests
import parsel # 數(shù)據(jù)解析模塊 第三方模塊 pip install parsel
import os # 文件操作模塊
import re # 正則表達(dá)式模塊
import pdfkit # pip install pdfkit

2.創(chuàng)建文件夾

filename = 'pdf\\' # 文件名字
filename_1 = 'html\\'
if not os.path.exists(filename): #如果沒有這個(gè)文件夾的話
    os.mkdir(filename) # 自動(dòng)創(chuàng)建一下這個(gè)文件夾

if not os.path.exists(filename_1): #如果沒有這個(gè)文件夾的話
    os.mkdir(filename_1) # 自動(dòng)創(chuàng)建一下這個(gè)文件夾

3.發(fā)送請求

for page in range(1, 11):
    print(f'=================正在爬取第{page}頁數(shù)據(jù)內(nèi)容=================')
    url = f'https://blog.csdn.net/qdPython/article/list/{page}'

    # python代碼對(duì)于服務(wù)器發(fā)送請求 >>> 服務(wù)器接收之后(如果沒有偽裝)被識(shí)別出來, 是爬蟲程序, >>> 不會(huì)給你返回?cái)?shù)據(jù)
    # 客戶端(瀏覽器) 對(duì)于 服務(wù)器發(fā)送請求 >>> 服務(wù)器接收到請求之后 >>> 瀏覽器返回一個(gè)response響應(yīng)數(shù)據(jù)
    # headers 請求頭 就是把python代碼偽裝成瀏覽器進(jìn)行請求
    # headers參數(shù)字段 是可以在開發(fā)者工具里面進(jìn)行查詢 復(fù)制
    # 并不是所有的參數(shù)字段都是需要的
    # user-agent: 瀏覽器的基本信息 (相當(dāng)于披著羊皮的狼, 這樣可以混進(jìn)羊群里面)
    # cookie: 用戶信息 檢測是否登錄賬號(hào) (某些網(wǎng)站 是需要登錄之后才能看到數(shù)據(jù), B站一些數(shù)據(jù)內(nèi)容)
    # referer: 防盜鏈 請求你的網(wǎng)址 是從哪里跳轉(zhuǎn)過來的 (B站視頻內(nèi)容 / 妹子圖圖片下載 / 唯品會(huì)商品數(shù)據(jù))
    # 根據(jù)不同的網(wǎng)站內(nèi)容 具體情況 具體分析
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'
    }
    # 請求方式: get請求 post請求 通過開發(fā)者工具可以查看url請求方式是什么樣的
    # 搜索 / 登錄 /查詢 這樣是post請求
    response = requests.get(url=url, headers=headers)

4.數(shù)據(jù)解析

# 需要把獲取到的html字符串?dāng)?shù)據(jù)轉(zhuǎn)成 selector 解析對(duì)象
selector = parsel.Selector(response.text)
# getall 返回的是列表
href = selector.css('.article-list a::attr(href)').getall()

5.如果把列表里面每一個(gè)元素 都提取出來

for index in href:
    # 發(fā)送請求 對(duì)于文章詳情頁url地址發(fā)送請求
    response_1 = requests.get(url=index, headers=headers)
    selector_1 = parsel.Selector(response_1.text)
    title = selector_1.css('#articleContentId::text').get()
    new_title = change_title(title)
    content_views = selector_1.css('#content_views').get()
    html_content = html_str.format(article=content_views)
    html_path = filename_1 + new_title + '.html'
    pdf_path = filename + new_title + '.pdf'
    with open(html_path, mode='w', encoding='utf-8') as f:
        f.write(html_content)
        print('正在保存: ', title)

6.替換特殊字符

def change_title(name):
    mode = re.compile(r'[\\\/\:\*\?\"\<\>\|]')
    new_name = re.sub(mode, '_', name)
    return new_name

運(yùn)行代碼，即可下載HTML文件：

7.轉(zhuǎn)換成PDF文件

config = pdfkit.configuration(wkhtmltopdf=r'C:\Program Files\wkhtmltopdf\bin\wkhtmltopdf.exe')
pdfkit.from_file(html_path, pdf_path, configuration=config)

看完上述內(nèi)容，你們對(duì)Python怎么爬取csnd文章并轉(zhuǎn)為PDF文件有進(jìn)一步的了解嗎？如果還想了解更多知識(shí)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。