Python爬虫:爬取在线教程转成pdf

2018年05月12日 4459点热度 0人点赞 0条评论 百度已收录

作为一名程序员,经常要搜一些教程,有的教程是在线的,不提供离线版本,这就有些局限了。那么同样作为一名程序员,遇到问题就应该解决它,今天就来将在线教程保存为PDF以供查阅。

1、网站介绍

2、准备工作

    2.1 软件安装

    2.2 库安装

3、爬取内容

    3.1 获取教程名称

    3.2 获取目录及对应网址

    3.3 获取章节内容

    3.4 保存pdf

    3.5 合并pdf

1、网站介绍

之前再搜资料的时候经常会跳转到如下图所示的在线教程:

01.教程样式

包括一些github的项目也纷纷将教程链接指向这个网站。经过一番查找,该网站是一个可以创建、托管和浏览文档的网站,其网址为:https://readthedocs.org 。在上面可以找到很多优质的资源。

该网站虽然提供了下载功能,但是有些教程并没有提供PDF格式文件的下载,如图:

02.下载

该教程只提供了 html格式文件的下载,还是不太方便查阅,那就让我们动手将其转成PDF吧!

2、准备工作

2.1 软件安装

由于我们是要把html转为pdf,所以需要手动wkhtmltopdf 。Windows平台直接在 http://wkhtmltopdf.org/downloads.html 下载稳定版的 wkhtmltopdf 进行安装,安装完成之后把该程序的执行路径加入到系统环境 $PATH 变量中,否则 pdfkit 找不到 wkhtmltopdf 就出现错误 “No wkhtmltopdf executable found”。Ubuntu 和 CentOS 可以直接用命令行进行安装

$ sudo apt-get install wkhtmltopdf  # ubuntu
$ sudo yum intsall wkhtmltopdf      # centos

2.2 库安装

  • pip install requests        # 用于网络请求

  • pip install beautifulsoup4   # 用于操作html

  • pip install pdfkit  # wkhtmltopdf 的python封装包

  • pip install PyPDF2    # 用于合并pdf

3、爬取内容

本文的目标网址为:http://python3-cookbook.readthedocs.io/zh_CN/latest/ 。

3.1 获取教程名称

页面的左边一栏为目录,按F12调出开发者工具并按以下步骤定位到目录元素:

① 点击开发者工具左上角"选取页面元素"按钮;

② 用鼠标点击左上角教程名称处。

通过以上步骤即可定位到目录元素,用图说明:

03.寻找教程名称

从图看到我们需要的教程名称包含在<div class="wy-side-nav-search"></div>之间的a标签里。假设我们已经获取到了网页内容为html,可以使用以下代码获取该内容:

book_name = soup.find('div', class_='wy-side-nav-search').a.text

3.2 获取目录及对应网址

使用与 2.1 相同的步骤来获取:

04.定位目录及网址

从图看到我们需要的目录包含在<div class="section"></div>之间,<li class="toctree-l1"></li>标签里为一级目录及网址;<li class="toctree-l2"></li>标签里为二级目录及网址。当然这个url是相对的url,前面还要拼接http://python3-cookbook.readthedocs.io/zh_CN/latest/

使用BeautifulSoup进行数据的提取:

# 全局变量
base_url = 'http://python3-cookbook.readthedocs.io/zh_CN/latest/'
book_name = ''
chapter_info = []

def parse_title_and_url(html):
   """
   解析全部章节的标题和url
   :param html: 需要解析的网页内容
   :return None
   """

   soup = BeautifulSoup(html, 'html.parser')

   # 获取书名
   book_name = soup.find('div', class_='wy-side-nav-search').a.text
   menu = soup.find_all('div', class_='section')
   chapters = menu[0].div.ul.find_all('li', class_='toctree-l1')
   for chapter in chapters:
       info = {}
       # 获取一级标题和url
       # 标题中含有'/'和'*'会保存失败
       info['title'] = chapter.a.text.replace('/', '').replace('*', '')
       info['url'] = base_url + chapter.a.get('href')
       info['child_chapters'] = []

       # 获取二级标题和url
       if chapter.ul is not None:
           child_chapters = chapter.ul.find_all('li')
           for child in child_chapters:
               url = child.a.get('href')
               # 如果在url中存在'#',则此url为页面内链接,不会跳转到其他页面
               # 所以不需要保存
               if '#' not in url:
                   info['child_chapters'].append({
                       'title': child.a.text.replace('/', '').replace('*', ''),
                       'url': base_url + child.a.get('href'),
                   })

       chapter_info.append(info)

代码中定义了两个全局变量来保存信息。章节内容保存在chapter_info列表里,里面包含了层级结构,大致结构为:

[
   {
       'title': 'first_level_chapter',
       'url': 'www.xxxxxx.com',
       'child_chapters': [
           {
               'title': 'second_level_chapter',
               'url': 'www.xxxxxx.com',
           }
           ...            
       ]
   }
   ...
]

3.3 获取章节内容

还是同样的方法定位章节内容:

05.获取章节内容

代码中我们通过itemprop这个属性来定位,好在一级目录内容的元素位置和二级目录内容的元素位置相同,省去了不少麻烦。

html_template = """
<!DOCTYPE html>
<html lang="en">
<head>
   <meta charset="UTF-8">
</head>
<body>
{content}
</body>
</html>
"""


def get_content(url):
   """
   解析URL,获取需要的html内容
   :param url: 目标网址
   :return: html
   """

   html = get_one_page(url)
   soup = BeautifulSoup(html, 'html.parser')
   content = soup.find('div', attrs={'itemprop': 'articleBody'})
   html = html_template.format(content=content)
   return html

3.4 保存pdf

def save_pdf(html, filename):
   """
   把所有html文件保存到pdf文件
   :param html:  html内容
   :param file_name: pdf文件名
   :return:
   """

   options = {
       'page-size': 'Letter',
       'margin-top': '0.75in',
       'margin-right': '0.75in',
       'margin-bottom': '0.75in',
       'margin-left': '0.75in',
       'encoding': "UTF-8",
       'custom-header': [
           ('Accept-Encoding', 'gzip')
       ],
       'cookie': [
           ('cookie-name1', 'cookie-value1'),
           ('cookie-name2', 'cookie-value2'),
       ],
       'outline-depth': 10,
   }

   pdfkit.from_string(html, filename, options=options)

def parse_html_to_pdf():
   """
   解析URL,获取html,保存成pdf文件
   :return: None
   """

   try:
       for chapter in chapter_info:
           ctitle = chapter['title']
           url = chapter['url']
           # 文件夹不存在则创建(多级目录)
           dir_name = os.path.join(os.path.dirname(__file__), 'gen', ctitle)
           if not os.path.exists(dir_name):
               os.makedirs(dir_name)

           html = get_content(url)

           padf_path = os.path.join(dir_name, ctitle + '.pdf')
           save_pdf(html, os.path.join(dir_name, ctitle + '.pdf'))

           children = chapter['child_chapters']
           if children:
               for child in children:
                   html = get_content(child['url'])
                   pdf_path = os.path.join(dir_name, child['title'] + '.pdf')
                   save_pdf(html, pdf_path)

   except Exception as e:
       print(e)

3.5 合并pdf

经过上一步,所有章节的pdf都保存下来了,最后我们希望留一个pdf,就需要合并所有pdf并删除单个章节pdf。

from PyPDF2 import PdfFileReader, PdfFileWriter

def merge_pdf(infnList, outfn):
   """
   合并pdf
   :param infnList: 要合并的PDF文件路径列表
   :param outfn: 保存的PDF文件名
   :return: None
   """

   pagenum = 0
   pdf_output = PdfFileWriter()

   for pdf in infnList:
       # 先合并一级目录的内容
       first_level_title = pdf['title']
       dir_name = os.path.join(os.path.dirname(
           __file__), 'gen', first_level_title)
       padf_path = os.path.join(dir_name, first_level_title + '.pdf')

       pdf_input = PdfFileReader(open(padf_path, 'rb'))
       # 获取 pdf 共用多少页
       page_count = pdf_input.getNumPages()
       for i in range(page_count):
           pdf_output.addPage(pdf_input.getPage(i))

       # 添加书签
       parent_bookmark = pdf_output.addBookmark(
           first_level_title, pagenum=pagenum)

       # 页数增加
       pagenum += page_count

       # 存在子章节
       if pdf['child_chapters']:
           for child in pdf['child_chapters']:
               second_level_title = child['title']
               padf_path = os.path.join(dir_name, second_level_title + '.pdf')

               pdf_input = PdfFileReader(open(padf_path, 'rb'))
               # 获取 pdf 共用多少页
               page_count = pdf_input.getNumPages()
               for i in range(page_count):
                   pdf_output.addPage(pdf_input.getPage(i))

               # 添加书签
               pdf_output.addBookmark(
                   second_level_title, pagenum=pagenum, parent=parent_bookmark)
               # 增加页数
               pagenum += page_count

   # 合并
   pdf_output.write(open(outfn, 'wb'))
   # 删除所有章节文件
   shutil.rmtree(os.path.join(os.path.dirname(__file__), 'gen'))

本来PyPDF2库中有一个类PdfFileMerger专门用来合并pdf,但是在合并过程中会抛出异常,网上有人也遇到同样的问题,解决办法是修改库源码,本着“不动库源码”的理念,毅然选择了上面这种比较笨的办法,代码还是比较好理解的。

经过以上几个步骤,我们想要的pdf文件已经生成,一起来欣赏一下劳动成果:

06.保存成果

 

- The End -

=

本篇文章来源于微信公众号: 程序人生  coder_life

浮游

保持饥渴的专注,追求最佳的品质

文章评论