python爬取网页转换为PDF文件
更新时间：2018年06月07日 15:02:19 作者：moluchase
这篇文章主要为大家详细介绍了python爬取网页转换为PDF文件，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
爬虫的起因
官方文档或手册虽然可以查阅，但是如果变成纸质版的岂不是更容易翻阅与记忆。如果简单的复制粘贴，不知道何时能够完成。于是便开始想着将Android的官方手册爬下来。
全篇的实现思路
- 分析网页
- 学会使用BeautifulSoup库
- 爬取并导出
参考资料：
* 把廖雪峰的教程转换为PDF电子书
* Requests文档
* Beautiful Soup文档
配置
在Ubuntu下使用Pycharm运行成功
转PDF需要下载wkhtmltopdf
具体过程
网页分析
如下所示的一个网页,要做的是获取该网页的正文和标题，以及左边导航条的所有网址
接下来的工作就是找到这些标签喽…
关于Requests的使用
详细参考文档
proxies={
"http":"http://vpn的IP:port",
"https":"https://vpn的IP:port",
}
response=requests.get(url,proxies=proxies)Beautiful Soup的使用
参考资料里面有Beautiful Soup文档，将其看完后，可以知道就讲了两件事：一个是查找标签，一个是修改标签。
本文需要做的是：
1. 获取标题和所有的网址,涉及到的是查找标签
#对标签进行判断，一个标签含有href而不含有description，则返回true
#而我希望获取的是含有href属性而不含有description属性的<a>标签，（且只有a标签含有href）
def has_href_but_no_des(tag):
return tag.has_attr('href') and not tag.has_attr('description')
#网页分析，获取网址和标题
def parse_url_to_html(url):
response=requests.get(url,proxies=proxies)
soup=BeautifulSoup(response.content,"html.parser")
s=[]#获取所有的网址
title=[]#获取对应的标题
tag=soup.find(id="nav")#获取第一个id为"nav"的标签，这个里面包含了网址和标题
for i in tag.find_all(has_href_but_no_des):
s.append(i['href'])
title.append(i.text)
#获取的只是标签集，需要加html前缀
htmls = "<html><head><meta charset='UTF-8'></head><body>"
with open("android_training_3.html",'a') as f:
f.write(htmls)对上面获取的网址分析，获取正文，并将图片取出存于本地;涉及到的是查找标签和修改属性
#网页操作，获取正文及图片
def get_htmls(urls,title):
for i in range(len(urls)):
response=requests.get(urls[i],proxies=proxies)
soup=BeautifulSoup(response.content,"html.parser")
htmls="<div><h1>"+str(i)+"."+title[i]+"</h1></div>"
tag=soup.find(class_='jd-descr')
#为image添加相对路径，并下载图片
for img in tag.find_all('img'):
im = requests.get(img['src'], proxies=proxies)
filename = os.path.split(img['src'])[1]
with open('image/' + filename, 'wb') as f:
f.write(im.content)
img['src']='image/'+filename
htmls=htmls+str(tag)
with open("android_training_3.html",'a') as f:
f.write(htmls)
print(" (%s) [%s] download end"%(i,title[i]))
htmls="</body></html>"
with open("android_training_3.html",'a') as f:
f.write(htmls)2.转为PDF
这一步需要下载wkhtmltopdf,在Windows下执行程序一直出错..Ubuntu下可以
def save_pdf(html):
"""
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(html, "android_training_3.pdf", options=options)最后的效果图
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。
相关文章
面积图，或称区域图，是一种随有序变量的变化，反映数值变化的统计图表，这篇文章主要介绍了如何利用Matplotlib实现面积图的绘制，需要的可以参考下2023-08-08
这篇文章主要介绍了解决Python中的modf()函数取小数部分不准确问题，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2021-05-05
django.urls.path是Django中用于定义URL映射规则的函数之一，本文主要介绍了django中path函数使用，具有一定的参考价值，感兴趣的可以了解一下2023-12-12
在python中，也有一种数据与此相近，不仅相近，这种数据的名称就叫做dictionary，翻译过来是字典，类似于前面的int/str/list，这种类型数据名称是:dict2014-09-09
这篇文章介绍了Python使用pyecharts控件绘制图表的方法，文中通过示例代码介绍的非常详细。对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下2022-06-06
这篇文章主要介绍了python实现的B站直播录播工具，帮助大家更好的理解和学习使用python，感兴趣的朋友可以了解下2021-04-04
yield是Python中一个强大的工具,它可以帮助你以一种高效的方式处理大量数据,理解yield的工作原理对于掌握Python编程至关重要,这篇文章主要介绍了Python 代码中的 yield 到底是什么,需要的朋友可以参考下2024-07-07
今天小编就为大家分享一篇Python简单爬虫导出CSV文件的实例讲解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-07-07
这篇文章主要介绍了Python的函数使用,在两种python循环语句的使用中，不仅仅是循环条件达到才能跳出循环体。所以，在对python函数进行阐述之前，先对跳出循环的简单语句块进行介绍,需要的朋友可以参考一下2021-12-12
这篇文章主要介绍了Python基于pygame实现的弹力球效果,涉及pygame图形动态操作的相关的技巧,并附带了完整的源码供读者下载参考,需要的朋友可以参考下2015-11-11
最新评论