如何用python抓取网站教程并制作成PDF文档

2023-06-04 14:31

短信预约 -IT技能 免费直播动态提醒

这篇文章主要介绍“如何用python抓取网站教程并制作成PDF文档”，在日常操作中，相信很多人在如何用python抓取网站教程并制作成PDF文档问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”如何用python抓取网站教程并制作成PDF文档”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

实现功能：抓取廖雪峰网站的python教程，保存html页面到本地，然后用pdfkit包将html转换为pdf。
运行需求：安装python的pdfkit包和windows下的wkhtmltopdf。

代码如下：
# -*- coding: utf-8
import urllib2
import urllib
import re,os
import time
import pdfkit
import sys
reload(sys)
sys.setdefaultencoding('utf-8')

class Liao:
def __init__(self,init_url,out_put_path):
self.init_url = init_url
self.out_put_path = out_put_path
self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
self.headers = { 'User-Agent' : self.user_agent }
self.file_name = 'liao.pdf'
self.html_template = """
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="gb2312">
</head>
<body>
{content}
</body>
</html>

#获取网页内容
def get_content(self,url):
try:
request = urllib2.Request(url,headers=self.headers)
response = urllib2.urlopen(request)
content = response.read().decode('utf-8').encode('GBK')
return content
except urllib2.URLError, e:
if hasattr(e,"reason"):
print u"连接页面失败,错误原因",e.reason
return None

#获取文章目录url列表
def get_article_url(self):
content = self.get_content(self.init_url)
#print content
pattern = re.compile(r'<li id="\d.*?" >.*?<a href="(.*?)">(.*?)</a>.*?</li>',re.S)
# pattern = re.compile(r'<li id="(\d.*?)" >',re.S)
result = re.findall(pattern,content)
i = 1
print len(result)
# for x in result:
# print x[0],x[1]
# i+=1
return result

#获取文章内容，传入文章的url，返回文章内容
def get_article_detail(self):
url_list = self.get_article_url()
pattern = re.compile(r'<div class="x-wiki-content">(.*?)</div>',re.S)
# patt_title = re.compile(r'<h5>(.*?)</h5>')
patt_img = re.compile(r'<img class="lazy" data-src="(/files/attachments/.*?)"',re.S)
i = 1
urls = []
for item in url_list:
#获取文章的url
article_url = 'http://www.liaoxuefeng.com' + item[1]
url_ind = article_url.split('/')[-1]

#提取文章标题
article_title = item[2].replace('/','_')
title_level = item[0]
#title_tag = '<center><h' + title_level + '>' + article_title + '</h' + title_level + '></center>'
title_tag = '<center><h2>' + article_title + '</h></center>'
#生成html文件名
html_file = url_ind + '.html'

#根据文章url，抓取文章内容
content = self.get_content(article_url)
article_content = str(re.findall(pattern,content)[0])

#处理图片的url,加上域名
def func(m):
if not m.group(1).startswith("http"):
rtn = '<img class="lazy" data-src="http://www.liaoxuefeng.com' + m.group(1) + '"'
return rtn
else:
return '<img class="lazy" data-src="' + m.group(1) + '"'
article_content = re.compile(patt_img).sub(func, article_content)

#将标题加到文章内容中
article_content = title_tag + article_content
article_content = self.html_template.format(content=article_content)

#生成url及文件名列表
urls.append((url_ind,html_file))

#写文件
print 'saving file ' + html_file
with open(html_file, 'wb') as f:
f.write(article_content)
return urls

#将html保存成pdf
def save_pdf(self,htmls):
"""
把所有html文件保存到pdf文件
"""
options = {
'page-size': 'Letter',
'encoding': "UTF-8",
'custom-header': [
('Accept-Encoding', 'gzip')
]
}
pdfkit.from_file(htmls, self.file_name, options=options)

init_url = 'http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000'
out_put_path = 'd:/python/test/output'
liao = Liao(init_url,out_put_path)
urls = liao.get_article_detail()
htmls = [x[1] for x in urls]
liao.save_pdf(htmls)