爬取html转化成pdf,python爬取在线教程转成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

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

标签里为一级目录及网址；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 = []

defparse_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')

forchapterinchapters:

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

ifchapter.ulisnotNone:

child_chapters = chapter.ul.find_all('li')

forchildinchild_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'#'notinurl:

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 ="""

{content}

"""

defget_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)

returnhtml

3.4 保存pdf

defsave_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)

defparse_html_to_pdf():

"""

解析URL，获取html，保存成pdf文件

:return: None

"""

try:

forchapterinchapter_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)

ifnotos.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']

ifchildren:

forchildinchildren:

html = get_content(child['url'])

pdf_path = os.path.join(dir_name, child['title'] +'.pdf')

save_pdf(html, pdf_path)

exceptExceptionase:

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。

fromPyPDF2importPdfFileReader, PdfFileWriter

defmerge_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()

forpdfininfnList:

# 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()

foriinrange(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

ifpdf['child_chapters']:

forchildinpdf['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()

foriinrange(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