當我學了廖大的Python教程後,感覺總得做點什麼,正好自己想隨時查閱,於是就開始有了製作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檔案(
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(
免費 or 付費
)
BeautifulSoup
Beautiful Soup 是一個可以從HTML或XML檔案中提取資料的Python庫.它能夠通過你喜歡的轉換器實現慣用的文件導航,查詢,修改文件的方式.Beautiful Soup會幫你節省數小時甚至數天的工作時間.
安裝
pip3 install BeautifulSoup4
複製程式碼
開始使用
將一段文件傳入 BeautifulSoup
的構造方法,就能得到一個文件的物件, 可以傳入一段字串或一個檔案控制程式碼.
如下所示:
from bs4 import BeautifulSoup
soup = BeautifulSoup(open("index.html"))
soup = BeautifulSoup("<html>data</html>")
複製程式碼
- 首先,文件被轉換成Unicode,並且HTML的例項都被轉換成Unicode編碼.
- 然後,Beautiful Soup選擇最合適的解析器來解析這段文件,如果手動指定解析器那麼Beautiful Soup會選擇指定的解析器來解析文件.
物件的種類
Beautiful Soup
將複雜 HTML
文件轉換成一個複雜的樹形結構,每個節點都是 Python
物件,所有物件可以歸納為 4 種: Tag , NavigableString , BeautifulSoup , Comment .
Tag
:通俗點講就是HTML
中的一個個標籤,類似div,p
。NavigableString
:獲取標籤內部的文字,如,soup.p.string
。BeautifulSoup
:表示一個文件的全部內容。Comment:Comment
物件是一個特殊型別的NavigableString
物件,其輸出的內容不包括註釋符號.
Tag
Tag
就是html
中的一個標籤,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
下的標籤,具體例項如下:
print soup.title
輸出title
標籤下的內容,包括此標籤,這個將會輸出<title>The Dormouse`s story</title> 複製程式碼
print soup.head
輸出head
標籤下的內容<head><title>The Dormouse`s story</title></head> 複製程式碼
如果 Tag 物件要獲取的標籤有多個的話,它只會返回所以內容中第一個符合要求的標籤。
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p
attrs
是一個字典型別的,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]
是一個列表的型別,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
方法用於得到標籤下的屬性值,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="#">
標籤下的影像url
,那麼就可以用soup.img.get(`src`)
,具體解析如下:
# 得到第一個p標籤下的src屬性
print soup.p.get("class")
複製程式碼
string
得到標籤下的文字內容,只有在此標籤下沒有子標籤,或者只有一個子標籤的情況下才能返回其中的內容,否則返回的是None
具體例項如下:
# 在上面的一段文字中p標籤沒有子標籤,因此能夠正確返回文字的內容
print soup.p.string
# 這裡得到的就是None,因為這裡的html中有很多的子標籤
print soup.html.string
複製程式碼
get_text()
可以獲得一個標籤中的所有文字內容,包括子孫節點的內容,這是最常用的方法。
搜尋文件樹
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件中的第一個 tag,例如,soup.p
。如果想要得到所有的<p>
標籤,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 )
複製程式碼
find_all是用於搜尋節點中所有符合過濾條件的節點。
name引數:是Tag的名字,如p,div,title
# 1. 節點名
print(soup.find_all(`p`))
# 2. 正規表示式
print(soup.find_all(re.compile(`^p`)))
# 3. 列表
print(soup.find_all([`p`, `a`]))
複製程式碼
另外 attrs 引數可以也作為過濾條件來獲取內容,而 limit 引數是限制返回的條數。
CSS 選擇器
以 CSS 語法為匹配標準找到 Tag。同樣也是使用到一個函式,該函式為select()
,返回型別是 list。它的具體用法如下:
# 1. 通過 tag 標籤查詢
print(soup.select(head))
# 2. 通過 id 查詢
print(soup.select(`#link1`))
# 3. 通過 class 查詢
print(soup.select(`.sister`))
# 4. 通過屬性查詢
print(soup.select(`p[name=dromouse]`))
# 5. 組合查詢
print(soup.select("body p"))
複製程式碼
wkhtmltopdf
- wkhtmltopdf主要用於HTML生成PDF。
- pdfkit是基於wkhtmltopdf的python封裝,支援URL,本地檔案,文字內容到PDF的轉換,其最終還是呼叫wkhtmltopdf命令。
安裝
先安裝wkhtmltopdf,再安裝pdfkit。
- wkhtmltopdf.org/downloads.h…
- pdfkit
pip3 install pdfkit 複製程式碼
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`)
複製程式碼
轉換url或者檔名列表
pdfkit.from_url([`google.com`, `baidu.com`], `out.pdf`)
pdfkit.from_file([`file1.html`, `file2.html`], `out.pdf`)
複製程式碼
轉換開啟檔案
with open(`file.html`) as f:
pdfkit.from_file(f, `out.pdf`)
複製程式碼
自定義設定
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)
複製程式碼
使用代理ip
爬取十幾篇教程之後觸發了這個錯誤:
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後,最後選擇了付費的 阿布雲 ,感覺響應速度和穩定性還OK。
執行結果
執行過程截圖:
生成的效果圖:
程式碼如下:
import time
import pdfkit
import requests
from bs4 import BeautifulSoup
# 使用 阿布雲代理
# 可以選擇不使用或是其他代理
def get_soup(target_url):
proxy_host = "http-dyn.abuyun.com"
proxy_port = "9020"
proxy_user = "你的使用者"
proxy_pass = "你的密碼"
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_title = BeautifulSoup(`<h` + depth + `>` + title.string + `</h` + depth + `>`, `html.parser`)
print(new_title)
# 載入圖片
images = soup.find_all(`img`)
for x in images:
x[`src`] = x[`data-src`]
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", encoding="utf8") 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新增新的教程
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)
複製程式碼
參考文件: