當我學了廖大的Python教程后，感覺總得做點什么，正好自己想隨時查閱，於是就開始有了制作PDF這個想法。
想要把教程變成PDF有三步：
- 先生成空html，爬取每一篇教程放進一個新生成的div，這樣就生成了包含所有教程的html文件(
BeautifulSoup) - 將html轉換成pdf(
wkhtmltopdf) - 由於廖大是寫教程的，反爬做的比較好，在爬取的過程中還需要代理ip(阿布雲代理)
BeautifulSoup
Beautiful Soup 是一個可以從HTML或XML文件中提取數據的Python庫.它能夠通過你喜歡的轉換器實現慣用的文檔導航,查找,修改文檔的方式.Beautiful Soup會幫你節省數小時甚至數天的工作時間.
安裝
pip3 install BeautifulSoup4
開始使用
將一段文檔傳入 BeautifulSoup 的構造方法,就能得到一個文檔的對象, 可以傳入一段字符串或一個文件句柄.
如下所示：
from bs4 import BeautifulSoup
soup = BeautifulSoup(open("index.html"))
soup = BeautifulSoup("<html>data</html>")
- 首先,文檔被轉換成Unicode,並且HTML的實例都被轉換成Unicode編碼.
- 然后,Beautiful Soup選擇最合適的解析器來解析這段文檔,如果手動指定解析器那么Beautiful Soup會選擇指定的解析器來解析文檔.
對象的種類
Beautiful Soup 將復雜 HTML 文檔轉換成一個復雜的樹形結構,每個節點都是 Python 對象,所有對象可以歸納為 4 種: Tag , NavigableString , BeautifulSoup , Comment .
Tag：通俗點講就是HTML中的一個個標簽，類似div，p。NavigableString：獲取標簽內部的文字，如，soup.p.string。BeautifulSoup：表示一個文檔的全部內容。Comment：Comment對象是一個特殊類型的NavigableString對象，其輸出的內容不包括注釋符號.
Tag
Tag就是html中的一個標簽，用BeautifulSoup就能解析出來Tag的具體內容，具體的格式為soup.name,其中name是html下的標簽，具體實例如下：
print soup.title輸出title標簽下的內容，包括此標簽，這個將會輸出<title>The Dormouse's story</title>print soup.head輸出head標簽下的內容<head><title>The Dormouse's story</title></head>
如果 Tag 對象要獲取的標簽有多個的話，它只會返回所以內容中第一個符合要求的標簽。
Tag 屬性
每個 Tag 有兩個重要的屬性 name 和 attrs：
name：對於Tag，它的name就是其本身，如soup.p.name就是pattrs是一個字典類型的，對應的是屬性-值，如print soup.p.attrs,輸出的就是{'class': ['title'], 'name': 'dromouse'},當然你也可以得到具體的值，如print soup.p.attrs['class'],輸出的就是[title]是一個列表的類型，因為一個屬性可能對應多個值,當然你也可以通過get方法得到屬性的，如：print soup.p.get('class')。還可以直接使用print soup.p['class']
get
get方法用於得到標簽下的屬性值，注意這是一個重要的方法，在許多場合都能用到，比如你要得到<img src="#">標簽下的圖像url,那么就可以用soup.img.get('src'),具體解析如下：
# 得到第一個p標簽下的src屬性
print soup.p.get("class")
string
得到標簽下的文本內容，只有在此標簽下沒有子標簽，或者只有一個子標簽的情況下才能返回其中的內容，否則返回的是None具體實例如下：
# 在上面的一段文本中p標簽沒有子標簽，因此能夠正確返回文本的內容
print soup.p.string
# 這里得到的就是None,因為這里的html中有很多的子標簽
print soup.html.string
get_text()
可以獲得一個標簽中的所有文本內容，包括子孫節點的內容，這是最常用的方法。
搜索文檔樹
BeautifulSoup 主要用來遍歷子節點及子節點的屬性，通過Tag取屬性的方式只能獲得當前文檔中的第一個 tag，例如，soup.p。如果想要得到所有的<p> 標簽,或是通過名字得到比一個 tag 更多的內容的時候,就需要用到 find_all()
find_all(name, attrs, recursive, text, **kwargs )
find_all是用於搜索節點中所有符合過濾條件的節點。
name參數：是Tag的名字，如p,div,title
# 1. 節點名
print(soup.find_all('p'))
# 2. 正則表達式
print(soup.find_all(re.compile('^p')))
# 3. 列表
print(soup.find_all(['p', 'a']))
另外 attrs 參數可以也作為過濾條件來獲取內容，而 limit 參數是限制返回的條數。
CSS 選擇器
以 CSS 語法為匹配標准找到 Tag。同樣也是使用到一個函數，該函數為select()，返回類型是 list。它的具體用法如下：
# 1. 通過 tag 標簽查找
print(soup.select(head))
# 2. 通過 id 查找
print(soup.select('#link1'))
# 3. 通過 class 查找
print(soup.select('.sister'))
# 4. 通過屬性查找
print(soup.select('p[name=dromouse]'))
# 5. 組合查找
print(soup.select("body p"))
wkhtmltopdf
- wkhtmltopdf主要用於HTML生成PDF。
- pdfkit是基於wkhtmltopdf的python封裝，支持URL，本地文件，文本內容到PDF的轉換，其最終還是調用wkhtmltopdf命令。
安裝
先安裝wkhtmltopdf，再安裝pdfkit。
- https://wkhtmltopdf.org/downloads.html
- pdfkit
pip3 install pdfkit
轉換url/file/string
import pdfkit
pdfkit.from_url('http://google.com', 'out.pdf')
pdfkit.from_file('index.html', 'out.pdf')
pdfkit.from_string('Hello!', 'out.pdf')
轉換url或者文件名列表
pdfkit.from_url(['google.com', 'baidu.com'], 'out.pdf')
pdfkit.from_file(['file1.html', 'file2.html'], 'out.pdf')
轉換打開文件
with open('file.html') as f:
pdfkit.from_file(f, 'out.pdf')
自定義設置
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'),
],
'no-outline': None,
'outline-depth': 10,
}
pdfkit.from_url('http://google.com', 'out.pdf', options=options)
使用代理ip
爬取十幾篇教程之后觸發了這個錯誤：
看來廖大的反爬蟲做的很好，於是只好使用代理ip了，嘗試了免費的西刺免費代理后，最后選擇了付費的 蘑菇代理 ，感覺響應速度和穩定性還OK。
運行結果
運行過程截圖：
生成的效果圖：
代碼如下：
import re
import time
import pdfkit
import requests
from bs4 import BeautifulSoup
# 使用 阿布雲代理
def get_soup(target_url):
proxy_host = "http-dyn.abuyun.com"
proxy_port = "9020"
proxy_user = "**"
proxy_pass = "**"
proxy_meta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
"host": proxy_host,
"port": proxy_port,
"user": proxy_user,
"pass": proxy_pass,
}
proxies = {
"http": proxy_meta,
"https": proxy_meta,
}
headers = {'User-Agent':
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'}
flag = True
while flag:
try:
resp = requests.get(target_url, proxies=proxies, headers=headers)
flag = False
except Exception as e:
print(e)
time.sleep(0.4)
soup = BeautifulSoup(resp.text, 'html.parser')
return soup
def get_toc(url):
soup = get_soup(url)
toc = soup.select("#x-wiki-index a")
print(toc[0]['href'])
return toc
# ⬇️教程html
def download_html(url, depth):
soup = get_soup(url)
# 處理目錄
if int(depth) <= 1:
depth = '1'
elif int(depth) >= 2:
depth = '2'
title = soup.select("#x-content h4")[0]
new_a = soup.new_tag('a', href=url)
new_a.string = title.string
new_title = soup.new_tag('h' + depth)
new_title.append(new_a)
print(new_title)
# 加載圖片
images = soup.find_all('img')
for x in images:
x['src'] = 'https://static.liaoxuefeng.com/' + x['data-src']
# 將bilibili iframe 視頻更換為鏈接地址
iframes = soup.find_all('iframe', src=re.compile("bilibili"))
for x in iframes:
x['src'] = "http:" + x['src']
a_tag = soup.new_tag("a", href=x['src'])
a_tag.string = "vide play:" + x['src']
x.replace_with(a_tag)
div_content = soup.find('div', class_='x-wiki-content')
return new_title, div_content
def convert_pdf(template):
html_file = "python-tutorial-pdf.html"
with open(html_file, mode="w") as code:
code.write(str(template))
pdfkit.from_file(html_file, 'python-tutorial-pdf.pdf')
if __name__ == '__main__':
# html 模板
template = BeautifulSoup(
'<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <link rel="stylesheet" href="https://cdn.liaoxuefeng.com/cdn/static/themes/default/css/all.css?v=bc43d83"> <script src="https://cdn.liaoxuefeng.com/cdn/static/themes/default/js/all.js?v=bc43d83"></script> </head> <body> </body> </html>',
'html.parser')
# 教程目錄
toc = get_toc('https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000')
for i, x in enumerate(toc):
url = 'https://www.liaoxuefeng.com' + x['href']
# ⬇️教程html
content = download_html(url, x.parent['depth'])
# 往template添加新的教程
new_div = template.new_tag('div', id=i)
template.body.insert(3 + i, new_div)
new_div.insert(3, content[0])
new_div.insert(3, content[1])
time.sleep(0.4)
convert_pdf(template)
參考文檔：