利用Python爬取教程并转为PDF格式，随看随学！

2019-01-18 本文已影响1人编程新视野

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pdf3.5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：

注释：加群696541369获取python入门20天完整学习笔记和100道基础练习题及答案以及入门书籍视频源码等资料

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：

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：

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：

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 = []def parse_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') for chapter in chapters: 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 if chapter.ul is not None: child_chapters = chapter.ul.find_all('li') for child in child_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 '#' not in url: 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：

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 ="""<!DOCTYPE html><html lang="en"><head> <meta charset="UTF-8"></head><body>{content}</body></html>"""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) if not os.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'] if children: for child in children: html = get_content(child['url']) pdf_path = os.path.join(dir_name, child['title'] + '.pdf') save_pdf(html, pdf_path) except Exception as e: 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, PdfFileWriterdef merge_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 =0pdf_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() for i in range(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 if pdf['child_chapters']: for child in pdf['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() for i in range(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：

利用Python爬取教程并转为PDF格式，随看随学！

猜你喜欢

热点阅读