基于Python实现网页文章转PDF文档
更新时间：2022年05月25日 16:02:18 作者：嗨学编程
有时候看到一篇好的文章，想去保存下来，传统方式一般是收藏书签、复制粘贴到文档或者直接复制链接保存，但这也太麻烦了。本文将用Python语言实现将网上的文章转存为PDF文档，保存电脑上慢慢看
我们有时候看到一篇好的文章，想去保存下来，传统方式一般是收藏书签、复制粘贴到文档或者直接复制链接保存，但这样一次两次还好，数量多了，比较麻烦不说，还可能不好找~
这个时候，Python的作用就来了，直接抓下来导出为PDF，直接把整个网站的内容都导下来都行~
话不多说，我们直接上代码！
import requests
import parsel
import pdfkit
import os
import re
html_str = """
<!doctype html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Document</title>
</head>
<body>
{article}
</body>
</html>
"""
def change_title(title):
"""
替换标题中的特殊字符
:param title: 传入文章标题
:return: 返回一个替换掉特殊字符的标题
"""
"""
使用re.compile()将正则表达式的字符串形式编译为一个对象，通过该对象提供的一些列方法对文本
进行匹配查找
re.sub() 第一个参数对应的正则表达式，第二个参数为要替换成的字符串， 第三个参数为源字符串
"""
pattern = re.compile(r"[\/\\\:\*\?\"\<\>\|]") # '/ \ : * ? " < > |'
new_title = re.sub(pattern, "_", title) # 替换为下划线
return new_title
for page in range(1, 11):
"""
发送请求的url地址，唯一资源定位符
headers: 请求头 把python伪装成浏览器对服务器发送请求， 然后服务器会给我们返回一个响应数据
请求头所加的参数都是可以在开发者工具中的headers里面的request headers中找到的
比如 user-agent：代表着浏览器的信息
cookies：用户的信息 常用于检测是否有登陆账号
host：域名
referer：常说的防盗链，告诉服务器是从哪个网页跳转过来的
请求方式：可以通过开发者工具中headers里面的数据看到是什么样的请求方式
get请求： 是可以直接从服务器上面获取数据
post请求：需要向服务器发送一个数据 比如说(搜索/登陆)
response：响应对象
状态码： 200表示请求成功 300：重定向 跳转 400：通常是url网址不对 500 一般是服务器问题
获取网页文本数据 response.text 获取网页json字典数据 response.json() 获取网页二进制数据 response.content
"""
url = 'https://****/qdPython/article/list/{page}'
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
"""
url里面的****替换为blog.csdn.net即可
把 html 字符串数据转换成一个 Selector 对象
Selector 就具有一系列数据解析的方法 css/xpath/re
类选择器 都是使用圆点.开头
ID选择器 是使用#开头
属性选择器：
::text获取标签里面的文本数据
::attr(xxx) 获取标签内某一个属性的数据
get() 从 Selector 对象中提取第一个数据, 直接返回字符串数据给我们
getall() 从 Selector 对象中提取提取所有数据, 返回一个列表
"""
selector = parsel.Selector(response.text)
href = selector.css('.article-list div.article-item-box a::attr(href)').getall()
for link in href:
response_1 = requests.get(url=link, headers=headers)
selector_1 = parsel.Selector(response_1.text)
title = selector_1.css('#articleContentId::text').get()
content = selector_1.css('#content_views').get()
new_title = change_title(title)
# 创建文件保存地址以及保存文件的名字 和格式
pdf_path = 'pdf\\' + new_title + '.pdf'
html_path = 'pdf\\' + new_title + '.html'
# str.format() 字符串格式化方法
html = html_str.format(article=content)
"""
with open 打开文件时, 当文件对象引用完毕之后会自动关闭文件
html_path：文件保存路径以及名字格式
mode：保存方式 w 写入 如果你不写mode默认是r 读
encoding： 编码
as f 重命名 可以自定义
f = open()
f.writer()
f.close()
"""
with open(html_path, mode='w', encoding='utf-8') as f:
f.write(html)
print('正在保存：', title)
# exe 文件存放的路径
config = pdfkit.configuration(wkhtmltopdf='C:\\Program Files\\wkhtmltopdf\\bin\\wkhtmltopdf.exe')
# 把 html 通过 pdfkit 变成 pdf 文件
pdfkit.from_file(html_path, pdf_path, configuration=config)
os.remove(html_path)
兄弟们快去试试吧！
到此这篇关于基于Python实现网页文章转PDF文档的文章就介绍到这了,更多相关Python网页文章转PDF内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
这篇文章主要介绍了python的import 机制是怎么实现的，import有Python运行时的全局模块池的维护和搜索、解析与搜索模块路径的树状结构等作用，下文具体相关介绍需要的小伙伴可以参考一下2022-05-05
本文介绍了threading 模块提供的线程同步原语包括：Lock、RLock、Condition、Event、Semaphore等对象。对大家的学习具有一定的参考学习价值，需要的朋友可以参考下2018-10-10
这篇文章主要介绍了Python中的单下划线和双下划线使用场景详解，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2019-09-09
这篇文章主要为大家介绍了python中的变量，具有一定的参考价值，感兴趣的小伙伴们可以参考一下，希望能够给你带来帮助2021-12-12
这篇文章主要为大家详细介绍了如何利用Python和tkinter自定义实现简单的文件选择按钮和颜色选择按钮,有需要的小伙伴可以跟随小编一起学习一下2023-10-10
这篇文章主要介绍了如何利用Python爬虫实现采集网站ip代理，并检测IP代理是否可用。文中的示例代码讲解详细，感兴趣的可以试一试2022-01-01
本文给大家介绍的是Python数据类型中的元祖（tuple）,简单的说Tuple,与列表一样，元素也是不可变的，但与列表不同，在一个元祖可以包含不同类型的元素2016-05-05
Windows和Linux下使用Python访问SqlServer的方法介绍
这篇文章主要介绍了Windows和Linux下使用Python访问SqlServer的方法介绍,本文讲解了Windows下配置Python访问Sqlserver、Linux下配置Python访问SqlServer等内容,需要的朋友可以参考下2015-03-03
本文将结合实例代码，介绍Python+Tableau广东省人口普查可视化，第七次人口普查数据分析，绘制历次人口普查人口数量变化图，需要的朋友们下面随着小编来一起学习学习吧2021-06-06
这篇文章主要介绍了分布式全文检索引擎ElasticSearch原理及使用实例,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-11-11
最新评论