搜索
查看: 923|回复: 0

Python 爬虫:把廖雪峰的教程转换成 PDF 电子书

[复制链接]

1839

主题

2255

帖子

1万

积分

管理员

Rank: 9Rank: 9Rank: 9

积分
11913
发表于 2017-2-28 14:43:56 | 显示全部楼层 |阅读模式

我在公众号写过很多偏概念的理论性文章,而实践类的东西写得比较少,不过这些理论知识都是从实践中总结的,理论的基础是实践,反过来理论又为实践服务。前两天,有读者在微信公众平台
问道:可以推荐一本 Python 入门的教程吗?
我说:廖雪峰的 Python 教程
她说:有没有电子书呢?
我说:没有,但你可以用 Google 搜一下,找到了记得发我一份。
然后她默默地消失在彼岸,没有了回音。我硬是去网上找了相关资源,有,但是阅读体验不好,于是趁今天有时间决定自己写个爬虫制作一本 PDF 电子书。
写爬虫似乎没有比用 Python 更合适了,Python 社区提供的爬虫工具多得让你眼花缭乱,各种拿来就可以直接用的 library 分分钟就可以写出一个爬虫出来,今天就琢磨着写一个爬虫,将廖雪峰的 Python 教程 爬下来做成 PDF 电子书方便大家离线阅读。
开始写爬虫前,我们先来分析一下该网站[1]的页面结构,网页的左侧是教程的目录大纲,每个 URL 对应到右边的一篇文章,右侧上方是文章的标题,中间是文章的正文部分,正文内容是我们关心的重点,我们要爬的数据就是所有网页的正文部分,下方是用户的评论区,评论区对我们没什么用,所以可以忽略它。
工具准备
弄清楚了网站的基本结构后就可以开始准备爬虫所依赖的工具包了。requests、beautifulsoup 是爬虫两大神器,reuqests 用于网络请求,beautifusoup 用于操作 html 数据。有了这两把梭子,干起活来利索,scrapy 这样的爬虫框架我们就不用了,小程序派上它有点杀鸡用牛刀的意思。此外,既然是把 html 文件转为 pdf,那么也要有相应的库支持, wkhtmltopdf 就是一个非常好的工具,它可以用适用于多平台的 html 到 pdf 的转换,pdfkit 是 wkhtmltopdf 的Python封装包。首先安装好下面的依赖包,接着安装 wkhtmltopdf
  1. pip install requests
  2. pip install beautifulsoup
  3. pip install pdfkit
复制代码
安装 wkhtmltopdf
Windows平台直接在 wkhtmltopdf 官网[2]下载稳定版的进行安装,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
  1. $ sudo apt-get install wkhtmltopdf  # ubuntu
  2. $ sudo yum intsall wkhtmltopdf      # centos
复制代码
爬虫实现
一切准备就绪后就可以上代码了,不过写代码之前还是先整理一下思绪。程序的目的是要把所有 URL 对应的 html 正文部分保存到本地,然后利用 pdfkit 把这些文件转换成一个 pdf 文件。我们把任务拆分一下,首先是把某一个 URL 对应的 html 正文保存到本地,然后找到所有的 URL 执行相同的操作。
用 Chrome 浏览器找到页面正文部分的标签,按 F12 找到正文对应的 div 标签: <div class="x-wiki-content">,该 div 是网页的正文内容。用 requests 把整个页面加载到本地后,就可以使用 beautifulsoup 操作 HTML 的 dom 元素 来提取正文内容了。
具体的实现代码如下:用 soup.find_all 函数找到正文标签,然后把正文部分的内容保存到 a.html 文件中。
  1. def parse_url_to_html(url):
  2.     response = requests.get(url)
  3.     soup = BeautifulSoup(response.content, "html5lib")
  4.     body = soup.find_all(class_="x-wiki-content")[0]
  5.     html = str(body)
  6.     with open("a.html", 'wb') as f:
  7.         f.write(html)
复制代码
第二步就是把页面左侧所有 URL 解析出来。采用同样的方式,找到 左侧菜单标签 <ul class="uk-nav uk-nav-side">
具体代码实现逻辑:因为页面上有两个uk-nav uk-nav-side的 class 属性,而真正的目录列表是第二个。所有的 url 获取了,url 转 html 的函数在第一步也写好了。
  1. def get_url_list():
  2.     """
  3.     获取所有URL目录列表
  4.     """
  5.     response = requests.get("http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000")
  6.     soup = BeautifulSoup(response.content, "html5lib")
  7.     menu_tag = soup.find_all(class_="uk-nav uk-nav-side")[1]
  8.     urls = []
  9.     for li in menu_tag.find_all("li"):
  10.         url = "http://www.liaoxuefeng.com" + li.a.get('href')
  11.         urls.append(url)
  12.     return urls
复制代码
最后一步就是把 html 转换成pdf文件了。转换成 pdf 文件非常简单,因为 pdfkit 把所有的逻辑都封装好了,你只需要调用函数 pdfkit.from_file
  1. def save_pdf(htmls):
  2.     """
  3.     把所有html文件转换成pdf文件
  4.     """
  5.     options = {
  6.         'page-size': 'Letter',
  7.         'encoding': "UTF-8",
  8.         'custom-header': [
  9.             ('Accept-Encoding', 'gzip')
  10.         ]
  11.     }
  12.     pdfkit.from_file(htmls, file_name, options=options)
复制代码
执行 save_pdf 函数,电子书 pdf 文件就生成了,效果图:
总结
总共代码量加起来不到50行,不过,且慢,其实上面给出的代码省略了一些细节,比如,如何获取文章的标题,正文内容的 img 标签使用的是相对路径,如果要想在 pdf 中正常显示图片就需要将相对路径改为绝对路径,还有保存下来的 html 临时文件都要删除,这些细节末叶都放在github上。
完整代码可以上github下载 ,代码在 Windows 平台亲测有效,欢迎 fork 下载自己改进。github 地址[3],GitHub访问不了的同学可以用码云[4], 《廖雪峰的 Python 教程》电子书 PDF 文件可以通过关注本公众号『一个程序员的微站』回复 “pdf” 免费下载阅读。
  • [1]: [url=]http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000[/url]
  • [2]: [url=]http://wkhtmltopdf.org/downloads.html[/url]
  • [3]: [url=]https://github.com/lzjun567/crawler_html2pdf[/url]
  • [4]: [url=]http://git.oschina.net/liuzhijun1/crawler_html2pdf[/url]



from:http://mp.weixin.qq.com/s/LH8nEFfVH4_tvYWo46CF5Q


本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有帐号?Join BUC

x
过段时间可能会取消签到功能了
您需要登录后才可以回帖 登录 | Join BUC

本版积分规则

Powered by Discuz!

© 2012-2015 Baiker Union of China.

快速回复 返回顶部 返回列表