python爬蟲抓取的資料轉換成 PDF

本文給大家分享的是使用python爬蟲實現把《廖雪峰的 Python 教程》轉換成PDF的方法和代碼，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，中間是文章的本文部分，本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本文部分，下方是使用者的評論區，評論區對我們沒什麼用，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 這樣的爬蟲架構我們就不用了，小程式派上它有點殺雞用牛刀的意思。此外，既然是把 html 檔案轉為 pdf，那麼也要有相應的庫支援， wkhtmltopdf 就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 requestspip install beautifulsouppip 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，安裝完成之後把該程式的執行路徑加入到系統內容 $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

爬蟲實現

一切準備就緒後就可以上代碼了，不過寫代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 本文部分儲存到本地，然後利用 pdfkit 把這些檔案轉換成一個 pdf 檔案。我們把任務拆分一下，首先是把某一個 URL 對應的 html 本文儲存到本地，然後找到所有的 URL 執行相同的操作。

用 Chrome 瀏覽器找到頁面本文部分的標籤，按 F12 找到本文對應的 p 標籤： <p >，該 p 是網頁的本文內容。用 requests 把整個頁面載入到本地後，就可以使用 beautifulsoup 操作 HTML 的 dom 元素 來提取本文內容了。

具體的實現代碼如下：用 soup.find_all 函數找到本文標籤，然後把本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側所有 URL 解析出來。採用同樣的方式，找到 左側功能表標籤 <ul >

具體代碼實現邏輯：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 擷取了，url 轉 html 的函數在第一步也寫好了。

def get_url_list():  """  擷取所有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

最後一步就是把 html 轉換成pdf檔案了。轉換成 pdf 檔案非常簡單，因為 pdfkit 把所有的邏輯都封裝好了，你只需要調用函數 pdfkit.from_file

def save_pdf(htmls):  """  把所有html檔案轉換成pdf檔案  """  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 檔案就產生了，：

總結

總共代碼量加起來不到50行，不過，且慢，其實上面給出的代碼省略了一些細節，比如，如何擷取文章的標題，本文內容的 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，還有儲存下來的 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免費視頻教程

2. Python物件導向視頻教程

3. Python學習手冊