寫爬蟲似乎沒有比用 Python 更合適了陵究，Python 社區(qū)提供的爬蟲工具多得讓你眼花繚亂绝编，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桂塞，今天就琢磨著寫一個爬蟲铡俐，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。
開始寫爬蟲前啊鸭，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备图，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揽涮，正文內容是我們關心的重點抠藕，我們要爬的數據就是所有網頁的正文部分，下方是用戶的評論區(qū)绞吁，評論區(qū)對我們沒什么用幢痘，所以可以忽略它。
工具準備
弄清楚了網站的基本結構后就可以開始準備爬蟲所依賴的工具包了家破。requests颜说、beautifulsoup 是爬蟲兩大神器，reuqests 用于網絡請求汰聋，beautifusoup 用于操作 html 數據门粪。有了這兩把梭子，干起活來利索烹困，scrapy 這樣的爬蟲框架我們就不用了玄妈，小程序派上它有點殺雞用牛刀的意思。此外髓梅，既然是把 html 文件轉為 pdf拟蜻，那么也要有相應的庫支持， wkhtmltopdf 就是一個非常好的工具枯饿，它可以用適用于多平臺的 html 到 pdf 的轉換酝锅，pdfkit 是 wkhtmltopdf 的Python封裝包。首先安裝好下面的依賴包奢方，接著安裝 wkhtmltopdf
pip install requests
pip install beautifulsoup
pip install pdfkit
安裝 wkhtmltopdf
Windows平臺直接在 wkhtmltopdf 官網2下載穩(wěn)定版的進行安裝搔扁，安裝完成之后把該程序的執(zhí)行路徑加入到系統(tǒng)環(huán)境 $PATH 變量中，否則 pdfkit 找不到 wkhtmltopdf 就出現錯誤 “No wkhtmltopdf executable found”蟋字。Ubuntu 和 CentOS 可以直接用命令行進行安裝
$ sudo apt-get install wkhtmltopdf # ubuntu
$ sudo yum intsall wkhtmltopdf # centos
爬蟲實現
一切準備就緒后就可以上代碼了稿蹲，不過寫代碼之前還是先整理一下思緒。程序的目的是要把所有 URL 對應的 html 正文部分保存到本地鹊奖，然后利用 pdfkit 把這些文件轉換成一個 pdf 文件苛聘。我們把任務拆分一下，首先是把某一個 URL 對應的 html 正文保存到本地嫉入，然后找到所有的 URL 執(zhí)行相同的操作焰盗。
用 Chrome 瀏覽器找到頁面正文部分的標簽，按 F12 找到正文對應的 div 標簽： <div class="x-wiki-content">咒林，該 div 是網頁的正文內容。用 requests 把整個頁面加載到本地后爷光，就可以使用 beautifulsoup 操作 HTML 的 dom 元素 來提取正文內容了垫竞。
具體的實現代碼如下：用 soup.find_all 函數找到正文標簽，然后把正文部分的內容保存到 a.html 文件中。
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 解析出來欢瞪。采用同樣的方式活烙，找到 左側菜單標簽 <ul class="uk-nav uk-nav-side">
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遣鼓。所有的 url 獲取了啸盏，url 轉 html 的函數在第一步也寫好了。
def get_url_list():
"""
獲取所有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
最后一步就是把 html 轉換成pdf文件了骑祟。轉換成 pdf 文件非常簡單回懦，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文件轉換成pdf文件
"""
options = {
'page-size': 'Letter',
'encoding': "UTF-8",
'custom-header': [
('Accept-Encoding', 'gzip')
]
}
pdfkit.from_file(htmls, file_name, options=options)
執(zhí)行 save_pdf 函數次企，電子書 pdf 文件就生成了怯晕，效果圖：
總結
總共代碼量加起來不到50行，不過缸棵，且慢舟茶，其實上面給出的代碼省略了一些細節(jié)，比如堵第，如何獲取文章的標題吧凉，正文內容的 img 標簽使用的是相對路徑，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踏志，還有保存下來的 html 臨時文件都要刪除阀捅，這些細節(jié)末葉都放在github上。
完整代碼和生成的電子書可以在github 3 下載 狰贯，代碼在 Windows 平臺親測有效也搓，歡迎 fork 下載自己改進。
