首先感谢廖老师给我们大家提供的那么好的教程，相信大部分童鞋都看过廖老师的python教程，我也是从这个教程入了门。后来又开始接着学JavaScript，不过每次都要用浏览器上网浏览太麻烦，所以就用爬虫爬下来保存为PDF格式。不过缺点就是没有目录废话不多说上代码。
# coding=utf-8
import os
import time
import re
import requests
import pdfkit
from bs4 import BeautifulSoup
from PyPDF2 import PdfFileMerger,PdfFileReader, PdfFileWriter
import sys #test12 html_template = """ <!DOCTYPE html>
<body>
<html lang="en"> <head> <meta charset="UTF-8"> </head> {content}
path_wk = r'C:\Program Files\wkhtmltopdf\bin\wkhtmltopdf.exe' #安装位置
</body> </html> """ config = pdfkit.configuration(wkhtmltopdf = path_wk)
def parse_url_to_html(url, name):
#---------------------------------------------------------------------- """ 解析URL，返回HTML内容 :param url:解析的url :param name: 保存的html文件名
body = soup.find_all(class_="x-wiki-content")[0]
:return: html """ try: response = requests.get(url) soup = BeautifulSoup(response.content, 'html.parser') # 正文 # 标题
center_tag.insert(1, title_tag)
title = soup.find('h4').get_text() # 标题加入到正文的最前面，居中显示 center_tag = soup.new_tag("center") title_tag = soup.new_tag('h1') title_tag.string = title
if not m.group(3).startswith("http"):
body.insert(1, center_tag) html = str(body) # body中的img标签的src相对路径的改成绝对路径 pattern = "(<img .*?src=\")(.*?)(\")" def func(m):
html = html_template.format(content=html)
rtn = m.group(1) + "http://www.liaoxuefeng.com" + m.group(2) + m.group(3) return rtn else: return m.group(1)+m.group(2)+m.group(3) html = re.compile(pattern).sub(func, html)
def get_url_list():
html = html.encode("utf-8") with open(name, 'wb') as f: f.write(html) return name except Exception as e: print ("解析错误！") #---------------------------------------------------------------------- """
menu_tag = soup.find_all(class_="uk-nav uk-nav-side")[1]
获取所有URL目录列表 :return: """ response = requests.get("http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000") soup = BeautifulSoup(response.content, "html.parser") urls = []
def save_pdf(htmls, file_name):
for li in menu_tag.find_all("div"): url = "http://www.liaoxuefeng.com" + li.a.get('href') urls.append(url) return urls #---------------------------------------------------------------------- """ 把所有html文件保存到pdf文件
'custom-header': [
:param htmls: html文件列表 :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",
#----------------------------------------------------------------------
('Accept-Encoding', 'gzip') ], 'cookie': [ ('cookie-name1', 'cookie-value1'), ('cookie-name2', 'cookie-value2'), ], 'outline-depth': 10, } pdfkit.from_file(htmls, file_name, options=options,configuration=config) def main(): start = time.time()
pdfs.append(file_name+str(i)+'.pdf')
file_name = u"liaoxuefeng_Python3_tutorial" urls = get_url_list() for index, url in enumerate(urls): parse_url_to_html(url, str(index) + ".html") htmls =[] pdfs =[] print(len(urls)) for i in range(len(urls)): htmls.append(str(i)+'.html') save_pdf(str(i)+'.html', file_name+str(i)+'.pdf')
output = open(u"廖雪峰Python_all.pdf", "wb")
print (u"转换完成第"+str(i)+'个html') print(pdfs) pdf_output = PdfFileWriter() for pdf in pdfs: pdf_input = PdfFileReader(open(pdf,'rb')) page_count = pdf_input.getNumPages() print(page_count) for i in range(page_count): pdf_output.addPage(pdf_input.getPage(i)) pdf_output.write(output) print (u"输出PDF成功！")
if not os.path.exists(dir_name):
for html in htmls: os.remove(html) print (u"删除临时文件"+html) for pdf in pdfs: os.remove(pdf) print (u"删除临时文件"+pdf) total_time = time.time() - start print(u"总共耗时：%f 秒" % total_time) #---------------------------------------------------------------------- def changeDir(dir_name): """ 目录切换 """ os.mkdir(dir_name)
main()
os.chdir(dir_name) #---------------------------------------------------------------------- if __name__ == '__main__': #存放文件的路径 dir_name = 'c:\\12'
changeDir(dir_name)
代码很简单，就是获取所有博客左侧导航栏对应的所有URL，然后将每个url解析出来保存成html,再将每个html保存成单个pdf文件，最后合并pdf文件。需要注意的是windwos 下需要安装wkhtmltopdf.exe 这个软件，并在python代码里指明这个程序的路径。不然合并时会报错。
下载html保存成pdf
将单个html解析成单个pdf文件
合并成pdf
最后合并的文件
内容：
最后的pdf文件
最新更新：按照这个代码目前无法抓取，因为廖老师把网站改成https了。对应代码要做修改。
而且Requests 请求里需要加入User-agent模拟浏览器请求，就可以了。
原文发布时间为：2018-11-25
本文作者：欧巴
本文来自云栖社区合作伙伴“Python爱好者社区”，了解相关信息可以关注“Python爱好者社区”。
