我是如何将博客转成PDF的

2018-12-12 本文已影响25人 Java3y

前言

只有光头才能变强

之前有读者问过我：“3y你的博客有没有电子版的呀？我想要份电子版的”。我说：“没有啊，我没有弄过电子版的，我这边有个文章导航页面，你可以去文章导航去找来看呀”..然后就没有然后了。

最近也有个读者提过这个问题，然后这两天也没什么事做，所以打算折腾折腾，看看怎么把博客转成PDF。

一、准备工作

要将博客转成PDF，我首先想到的是能不能将markdown文件转成PDF(因为平时我就是用markdown来写博客的)。

想了一下，原生markdown显示的话，代码是没有高亮的，格式也不会太好看。
所以就放弃了这个想法。

于是就去想一下，可不可以将HTML转成PDF呢。就去GitHub搜了有没有相关的轮子，也搜到了一些关于Python的爬虫啥的，感觉还是蛮复杂的。

后来，终于搜到了个不错的：

https://github.com/petterobam/my-html2file

介绍：收集一系列html转文档的开源插件，做成html页面转文件的微服务集成Web应用，目前包含 html转PDF、html转图片、html转markdown等等。

功能：

网页转PDF（参用wkhtml2pdf插件）
网页转图片（参用wkhtml2pdf插件）
网页转Markdown（参用jHTML2Md）
网页转WORD（参用Apache POI）

这里我主要用到的网页转PDF这么一个功能，对应的插件是wkhtml2pdf。

1.1踩坑

发现了一个不错的轮子了，感觉可行，于是就去下载来跑一下看看怎么样。启动的时候倒没有出错，但在调接口的时候，老是抛出异常。

于是就开始查一下路径，url有没有问题啦，查来查去发现都没问题啊。

后来才发现我的wkhtml2pdf.exe文件打不开，说我缺少几个dll文件。于是，我首先想到的是去wkhtml2pdf官网看看有没有相关的问题，想重新下载一个，但官网都进不去...(不是墙的问题)

https://wkhtmltopdf.org/
(ps：一个周末过去了，发现又能打开了。)

好吧，于是就去找‘dll文件缺失怎么办’。后面发现，安装一下Visual C++ Redistributable for Visual Studio 2015就好了(没有网上说得那么复杂)

https://www.microsoft.com/zh-cn/download/confirmation.aspx?id=48145

完了之后，发现可以将一个HTML转成PDF了，效果还不错：

有目录
可复制粘贴
可跳转到链接
清晰度好评

HTML转成PDF

缺点：

页面加载速度慢的HTML，图片还没加载出来就已经生成PDF了
- 所以我选用了博客园(速度快)
在PDF的末尾有好几页不相关的(评论，广告啥的)

本来想着能不能只截取HTML博文的部分啊(评论，广告和其他不相关的不截取)。于是就去搜了一下，感觉是挺麻烦的，自己做了几次试验都没弄出来，最后放弃了。

后来又想了一下，我不是有一个没有广告的博客平台吗，刚好可以拿来用了。但是，我自己写完的markdown是没有全部保存在硬盘上的，后来发现简书可以下载已发布文章的所有markdown。

简书可以下载所有的文章

下载下来的文章，我想全部导入到之前那个无广告的博客平台上。但发现导出来的markdown没有高亮语法..

下载下来的markdown没有高亮语法

// 没有语法高亮咋看啊，所以到这里我就放弃了，将就用一下博客园生成的PDF吧

1.2爬虫学习

上面GitHub提供的接口是一个URL生成一个PDF文件，我是不可能一个一个将链接和标题放上去生成的(因为博客园上发的也将近200篇了)。

而我是一点也不会爬虫的，于是也去搜了一下Java的爬虫轮子，发现一个很出名(WebMagic)

https://github.com/code4craft/webmagic

于是就跟着文档学习，也遇到了坑...文档给出的版本是0.7.3，我使用的JDK版本是8，用它的例子跑的时候抛出了SSLException异常(然而网上的0.6.x版本是没有问题的)

折腾完折腾去，也找到了0.7.3版本在JDK8上如何解决SSLException异常的办法了：

http://www.cnblogs.com/vcmq/p/9484418.html

修改HttpClientDownloader和HttpClientGenerator这两个类的部分代码就好了。

但是，我还是死活写不出能用的代码出来(真的菜!)..后来去问了一下同事(公众号：Rude3Knife)咋搞，他用Python几分钟就写好了。


def get_blog_yuan(blog_name, header):
    for i in range(1, 6):
        url = 'https://www.cnblogs.com/' + blog_name + '/default.html?page=' + str(i)
        r = requests.get(url, headers=header, timeout=6)
        selector = etree.HTML(r.text)
        names = selector.xpath("//*[@class='postTitle']/a/text()")
        links = selector.xpath("//*[@class='postTitle']/a/@href")
        for num in range(len(names)):
            print(names[num], links[num])
        time.sleep(5)

我也不纠结了..直接用他爬下来的数据吧(:

WebMagic中文文档：