Python 爬蟲:把廖雪峰教程轉(zhuǎn)換成 PDF 電子書

寫爬蟲似乎沒有比用 Python 更合適了旭斥,Python 社區(qū)提供的爬蟲工具多得讓你眼花繚亂赖捌,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止喷,今天嘗試寫一個爬蟲呛凶,將廖雪峰老師的 Python 教程爬下來做成 PDF 電子書方便離線閱讀彪杉。

開始寫爬蟲前谣光,我們先來分析一下網(wǎng)站的頁面結(jié)構(gòu)檩淋,網(wǎng)頁的左側(cè)是教程的目錄大綱,每個 URL 對應(yīng)到右邊的一篇文章萄金,右側(cè)上方是文章的標(biāo)題蟀悦,中間是文章的正文部分,正文內(nèi)容是我們關(guān)心的重點氧敢,我們要爬的數(shù)據(jù)就是所有網(wǎng)頁的正文部分日戈,下方是用戶的評論區(qū),評論區(qū)對我們沒什么用孙乖,所以可以忽略它浙炼。

crawer-view.png

工具準(zhǔn)備

弄清楚了網(wǎng)站的基本結(jié)構(gòu)后就可以開始準(zhǔn)備爬蟲所依賴的工具包了。requests的圆、beautifulsoup 是爬蟲兩大神器鼓拧,reuqests 用于網(wǎng)絡(luò)請求,beautifusoup 用于操作 html 數(shù)據(jù)越妈。有了這兩把梭子季俩,干起活來利索,scrapy 這樣的爬蟲框架我們就不用了梅掠,小程序派上它有點殺雞用牛刀的意思酌住。此外,既然是把 html 文件轉(zhuǎn)為 pdf阎抒,那么也要有相應(yīng)的庫支持酪我, wkhtmltopdf 就是一個非常好的工具,它可以用適用于多平臺的 html 到 pdf 的轉(zhuǎn)換且叁,pdfkit 是 wkhtmltopdf 的Python封裝包都哭。首先安裝好下面的依賴包,接著安裝 wkhtmltopdf

<pre style="box-sizing: border-box; overflow: auto; font-family: Consolas, monaco, monospace; font-size: 14px; display: block; padding: 20px 40px; margin: 20px 0px; line-height: 24px; color: rgb(255, 255, 255); word-break: break-all; word-wrap: break-word; background: rgb(51, 51, 51); border: none; border-radius: 0px; font-weight: 400;">pip install requests
pip install beautifulsoup4
pip install pdfkit
</pre>

安裝 wkhtmltopdf

Windows平臺直接在 wkhtmltopdf 官網(wǎng)下載穩(wěn)定版的進行安裝,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 變量中欺矫,否則 pdfkit 找不到 wkhtmltopdf 就出現(xiàn)錯誤 “No wkhtmltopdf executable found”纱新。Ubuntu 和 CentOS 可以直接用命令行進行安裝

<pre style="box-sizing: border-box; overflow: auto; font-family: Consolas, monaco, monospace; font-size: 14px; display: block; padding: 20px 40px; margin: 20px 0px; line-height: 24px; color: rgb(255, 255, 255); word-break: break-all; word-wrap: break-word; background: rgb(51, 51, 51); border: none; border-radius: 0px; font-weight: 400;">$ sudo apt-get install wkhtmltopdf # ubuntu
$ sudo yum intsall wkhtmltopdf # centos
</pre>

爬蟲實現(xiàn)

一切準(zhǔn)備就緒后就可以上代碼了,不過寫代碼之前還是先整理一下思緒穆趴。程序的目的是要把所有 URL 對應(yīng)的 html 正文部分保存到本地脸爱,然后利用 pdfkit 把這些文件轉(zhuǎn)換成一個 pdf 文件。我們把任務(wù)拆分一下未妹,首先是把某一個 URL 對應(yīng)的 html 正文保存到本地簿废,然后找到所有的 URL 執(zhí)行相同的操作。

用 Chrome 瀏覽器找到頁面正文部分的標(biāo)簽络它,按 F12 找到正文對應(yīng)的 div 標(biāo)簽: <div class="x-wiki-content">族檬,該 div 是網(wǎng)頁的正文內(nèi)容。用 requests 把整個頁面加載到本地后酪耕,就可以使用 beautifulsoup 操作 HTML 的 dom 元素 來提取正文內(nèi)容了导梆。

body

具體的實現(xiàn)代碼如下:用 soup.find_all 函數(shù)找到正文標(biāo)簽,然后把正文部分的內(nèi)容保存到 a.html 文件中迂烁。

<pre style="box-sizing: border-box; overflow: auto; font-family: Consolas, monaco, monospace; font-size: 14px; display: block; padding: 20px 40px; margin: 20px 0px; line-height: 24px; color: rgb(255, 255, 255); word-break: break-all; word-wrap: break-word; background: rgb(51, 51, 51); border: none; border-radius: 0px; font-weight: 400;">def parse_url_to_html(url):
response = requests.get(url)
soup = BeautifulSoup(response.content, "html.parser")
body = soup.find_all(class_="x-wiki-content")[0]
html = str(body)
with open("a.html", 'wb') as f:
f.write(html)
</pre>

第二步就是把頁面左側(cè)所有 URL 解析出來看尼。采用同樣的方式,找到 左側(cè)菜單標(biāo)簽 <ul class="uk-nav uk-nav-side">

dir

具體代碼實現(xiàn)邏輯:因為頁面上有兩個uk-nav uk-nav-side的 class 屬性盟步,而真正的目錄列表是第二個藏斩。所有的 url 獲取了,url 轉(zhuǎn) html 的函數(shù)在第一步也寫好了却盘。

<pre style="box-sizing: border-box; overflow: auto; font-family: Consolas, monaco, monospace; font-size: 14px; display: block; padding: 20px 40px; margin: 20px 0px; line-height: 24px; color: rgb(255, 255, 255); word-break: break-all; word-wrap: break-word; background: rgb(51, 51, 51); border: none; border-radius: 0px; font-weight: 400;">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, "html.parser")
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
</pre>

最后一步就是把 html 轉(zhuǎn)換成pdf文件了狰域。轉(zhuǎn)換成 pdf 文件非常簡單,因為 pdfkit 把所有的邏輯都封裝好了黄橘,你只需要調(diào)用函數(shù) pdfkit.from_file

<pre style="box-sizing: border-box; overflow: auto; font-family: Consolas, monaco, monospace; font-size: 14px; display: block; padding: 20px 40px; margin: 20px 0px; line-height: 24px; color: rgb(255, 255, 255); word-break: break-all; word-wrap: break-word; background: rgb(51, 51, 51); border: none; border-radius: 0px; font-weight: 400;">def save_pdf(htmls):
"""
把所有html文件轉(zhuǎn)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)
</pre>

執(zhí)行 save_pdf 函數(shù)兆览,電子書 pdf 文件就生成了,效果圖:

pdf

總結(jié)

總共代碼量加起來不到50行塞关,不過抬探,且慢,其實上面給出的代碼省略了一些細(xì)節(jié)帆赢,比如小压,如何獲取文章的標(biāo)題,正文內(nèi)容的 img 標(biāo)簽使用的是相對路徑椰于,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怠益,還有保存下來的 html 臨時文件都要刪除,完整代碼放在github上瘾婿。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末蜻牢,一起剝皮案震驚了整個濱河市烤咧,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌孩饼,老刑警劉巖髓削,帶你破解...
    沈念sama閱讀 211,639評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異镀娶,居然都是意外死亡,警方通過查閱死者的電腦和手機揪罕,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,277評論 3 385
  • 文/潘曉璐 我一進店門梯码,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人好啰,你說我怎么就攤上這事轩娶。” “怎么了框往?”我有些...
    開封第一講書人閱讀 157,221評論 0 348
  • 文/不壞的土叔 我叫張陵鳄抒,是天一觀的道長。 經(jīng)常有香客問我椰弊,道長许溅,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 56,474評論 1 283
  • 正文 為了忘掉前任秉版,我火速辦了婚禮贤重,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘清焕。我一直安慰自己并蝗,他們只是感情好,可當(dāng)我...
    茶點故事閱讀 65,570評論 6 386
  • 文/花漫 我一把揭開白布秸妥。 她就那樣靜靜地躺著滚停,像睡著了一般。 火紅的嫁衣襯著肌膚如雪粥惧。 梳的紋絲不亂的頭發(fā)上键畴,一...
    開封第一講書人閱讀 49,816評論 1 290
  • 那天,我揣著相機與錄音影晓,去河邊找鬼镰吵。 笑死,一個胖子當(dāng)著我的面吹牛挂签,可吹牛的內(nèi)容都是我干的疤祭。 我是一名探鬼主播,決...
    沈念sama閱讀 38,957評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼饵婆,長吁一口氣:“原來是場噩夢啊……” “哼勺馆!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,718評論 0 266
  • 序言:老撾萬榮一對情侶失蹤草穆,失蹤者是張志新(化名)和其女友劉穎灌灾,沒想到半個月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體悲柱,經(jīng)...
    沈念sama閱讀 44,176評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡锋喜,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,511評論 2 327
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了豌鸡。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片嘿般。...
    茶點故事閱讀 38,646評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖涯冠,靈堂內(nèi)的尸體忽然破棺而出炉奴,到底是詐尸還是另有隱情,我是刑警寧澤蛇更,帶...
    沈念sama閱讀 34,322評論 4 330
  • 正文 年R本政府宣布瞻赶,位于F島的核電站,受9級特大地震影響派任,放射性物質(zhì)發(fā)生泄漏砸逊。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 39,934評論 3 313
  • 文/蒙蒙 一吨瞎、第九天 我趴在偏房一處隱蔽的房頂上張望痹兜。 院中可真熱鬧,春花似錦颤诀、人聲如沸字旭。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,755評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽遗淳。三九已至,卻和暖如春心傀,著一層夾襖步出監(jiān)牢的瞬間屈暗,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 31,987評論 1 266
  • 我被黑心中介騙來泰國打工脂男, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留养叛,地道東北人。 一個月前我還...
    沈念sama閱讀 46,358評論 2 360
  • 正文 我出身青樓宰翅,卻偏偏與公主長得像弃甥,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子汁讼,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 43,514評論 2 348

推薦閱讀更多精彩內(nèi)容