python爬蟲抓取的資料轉換成 PDF

本文給大家分享的是使用python爬蟲實作把《廖雪峰的Python 教學》轉換成PDF的方法和程式碼，有需要的小夥伴可以參考下

寫爬蟲似乎沒有比用Python 更合適了，Python 社區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站1的頁面結構，網頁的左側是教程的目錄大綱，每個URL 對應到右邊的一篇文章，右側上方是文章的標題，中間是文章的正文部分，正文內容是我們關心的重點，我們要爬的資料就是所有網頁的正文部分，下方是使用者的評論區，留言區對我們沒什麼用，所以可以忽略它。

工具準備

弄清楚了網站的基本結構後就可以開始準備爬蟲所依賴的工具包了。 requests、beautifulsoup 是爬蟲兩大神器，reuqests 用於網路請求，beautifusoup 用於操作 html 資料。有了這兩把梭子，幹起活來利索，scrapy 這樣的爬蟲框架我們就不用了，小程式派上它有點殺雞用牛刀的意思。此外，既然是把html 檔案轉換成pdf，那麼也要有對應的函式庫支持， wkhtmltopdf 是一個非常好的工具，它可以用適用於多平台的html 到pdf 的轉換， 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平台直接在wkhtmltopdf 官網2下載穩定版的進行安裝，安裝完成之後把程式的執行路徑加入到系統環境$PATH

變數中，否則pdfkit 找不到wkhtmltopdf 就出現錯誤「No wkhtmltopdf executable found」。 Ubuntu 和CentOS 可以直接用命令列進行安裝

$ sudo apt-get install wkhtmltopdf # ubuntu
$ sudo yum intsall wkhtmltopdf   # centos

爬蟲實作

一切準備就緒後就可以上程式碼了，不過寫程式碼之前還是先整理一下思緒。程式的目的是要把所有 URL 對應的 html 正文部分儲存到本機，然後利用 pdfkit 把這些檔案轉換成一個 pdf 檔。我們把任務拆分一下，首先是把某一個 URL 對應的 html 正文儲存到本地，然後找到所有的 URL 執行相同的操作。

用 Chrome 瀏覽器找到頁面正文部分的標籤，按 F12 找到正文對應的 p 標籤： 

，該 p 是網頁的正文內容。用 requests 把整個頁面載入到本機後，就可以使用 beautifulsoup 運算 HTML 的 dom 元素 來擷取正文內容了。

具體的實作程式碼如下：用 soup.find_all
函數找到正文標籤，然後把正文部分的內容儲存到 a.html 檔案中。

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邊所有 URL 解析出來。採用相同的方式，找到左側選單標籤 

#特定程式碼實作邏輯：因為頁面上有兩個uk-nav uk-nav-side的class

屬性，而真正的目錄清單是第二個。所有的 url 獲取了，url 轉 html 的函數在第一步也寫好了。

def get_url_list():
  """
  获取所有URL目录列表
  """
  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

最後一步就是把 html 轉換成pdf檔了。轉換成pdf 檔非常簡單，因為pdfkit 把所有的邏輯都封裝好了，你只需要呼叫函數pdfkit.from_file

def save_pdf(htmls):
  """
  把所有html文件转换成pdf文件
  """
  options = {
    'page-size': 'Letter',
    'encoding': "UTF-8",
    'custom-header': [
      ('Accept-Encoding', 'gzip')
    ]
  }
  pdfkit.from_file(htmls, file_name, options=options)

執行save_pdf 函數，電子書pdf 檔就產生了，效果圖：



總結

總共程式碼量加起來不到50行，不過，且慢，其實上面給的程式碼省略了一些細節，例如，如何取得文章的標題，正文內容的img 標籤使用的是相對路徑，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 臨時檔案都要刪除，這些細節末葉都放在github上。

【相關推薦】


#

1. Python免費影片教學

##2.

Python物件導向影片教學

3.

Python學習手冊

以上是python爬蟲抓取的資料轉換成 PDF的詳細內容。更多資訊請關注PHP中文網其他相關文章！