Python爬虫：爬取在线教程转成pdf
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：
image
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：
image
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：
image
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：
image
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 = []
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：
image
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
在这推荐下小编创建的Python学习交流群729720844，可以获取Python入门基础教程，送给每一位小伙伴，这里是小白聚集地，每天还会直播和大家交流分享经验哦，欢迎初学和进阶中的小伙伴。
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：
image
06.保存成果
更多python学习可以关注我们哦
14032011-120d95ff5606f391.jpg
在这推荐下小编创建的Python学习交流群729720844，可以获取Python入门基础教程，送给每一位小伙伴，这里是小白聚集地，每天还会直播和大家交流分享经验哦，欢迎初学和进阶中的小伙伴。
