用python實現博主全部博文下載，制作成PDF電子

用python實現博主全部博文下載，制作成PDF電子書籍

python實現csdn博主全部博文下載，html轉pdf，有了學習的電子書了。。。（附源碼）

我們學習編程，在學習的時候，會有想把有用的知識點保存下來，我們可以把知識點的內容爬下來轉變成pdf格式，方便我們拿手機可以閑時翻看，是很方便的

先來一個單個的博文下載轉pdf格式的操作

私信小編01即可獲取大量Python學習資源

python中將html轉化為pdf的常用工具是Wkhtmltopdf工具包，在python環境下，pdfkit是這個工具包的封裝類。如何使用pdfkit以及如何配置呢？分如下幾個步驟。

下載wkhtmltopdf安裝包，并且安裝到電腦上。

我下的是這個版本，安裝的時候要記住路徑，之后調用要用到路徑

開發工具

python
pycharm
pdfkit （pip install pdfkit）
lxml

今天目標：博主的全部博文下載，并且轉pdf格式保存

基本思路：
1、url + headers
2、分析網頁： CSDN網頁是靜態網頁，請求獲取網頁源代碼
3、lxml解析獲取boke_urls, author_name
4、循環遍歷，得到 boke_url

5、xpath解析獲取文件名
6、css選擇器獲取標簽文本的主體
7、構造拼接html文件
8、保存html文件
9、文件的轉換

分析網頁： CSDN網頁是靜態網頁，請求獲取網頁源代碼

start_url=“https://i1bit.blog.csdn.net/”

為例
確定網址為同步加載

css選擇器獲取標簽文本的主體為代碼要點部分
css語法部分

	html_css=parsel.Selector(響應的數據)
    html_content=html_css.css('要獲取的部分').get()

點開博主的一篇博文打開開發者工具

# css選擇器獲取標簽文本的主體
        html_css=parsel.Selector(response_2)
        html_content=html_css.css('article').get()
# 構造拼接html文件
        html=\
            '''
                <!DOCTYPE html>
                    <html lang="en">
                    <head>
                        <meta charset="UTF-8">
                        <title>Title</title>
                    </head>
                    <body>
                        {}
                    </body>
                </html>
            '''.format(html_content)

文件的轉換

   config=pdfkit.configuration(wkhtmltopdf=r'這里為下載wkhtmltopdf.exe的路徑')
            pdfkit.from_file(
                第一個參數要轉變的html文件,
                第二個參數轉變后的pdf文件,
                configuration=config
            ) 
            # 上面這樣寫清楚一點，也可以直接
            pdfkit.from_file(
                第一個參數要轉變的html文件,
                第二個參數轉變后的pdf文件,
            configuration=pdfkit.configuration(wkhtmltopdf=r'這里為下載wkhtmltopdf.exe的路徑')
            )

源碼展示：

import parsel, os, pdfkit
from lxml import etree
from requests_html import HTMLSession
session=HTMLSession()



def main():
    # 1、url + headers
    start_url=input(r'請輸入csdn博主的地址：')
    headers={
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 '
                      '(KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'
    }

    # 2、分析網頁： CSDN網頁是靜態網頁， 請求獲取網頁源代碼
    response_1=session.get(start_url, headers=headers).text


    # 3、解析獲取boke_urls, author_name
    html_xpath_1=etree.HTML(response_1)

    author_name=html_xpath_1.xpath(r'//*[@id="floor-user-profile_485"]/div/div[1]/div[2]/div[2]/div[1]/div[1]/text()')[0]

    boke_urls=html_xpath_1.xpath(r'//article[@class="blog-list-box"]/a/@href')


    # 4、循環遍歷，得到 boke_url
    for boke_url in boke_urls:

        # 5、請求
        response_2=session.get(boke_url, headers=headers).text

        # 6、xpath解析獲取文件名
        html_xpath_2=etree.HTML(response_2)
        file_name=html_xpath_2.xpath(r'//h1[@id="articleContentId"]/text()')[0]


        # 7、css選擇器獲取標簽文本的主體
        html_css=parsel.Selector(response_2)
        html_content=html_css.css('article').get()

        # 8、構造拼接html文件
        html=\
            '''
                <!DOCTYPE html>
                    <html lang="en">
                    <head>
                        <meta charset="UTF-8">
                        <title>Title</title>
                    </head>
                    <body>
                        {}
                    </body>
                </html>
            '''.format(html_content)

        # 9、創建兩個文件夾， 一個用來保存html 一個用來保存pdf文件
        if not os.path.exists(r'{}-html'.format(author_name)):
            os.mkdir(r'{}-html'.format(author_name))

        if not os.path.exists(r'{}-pdf'.format(author_name)):
            os.mkdir(r'{}-pdf'.format(author_name))

        # 10、保存html文件
        try:
            with open(r'{}-html/{}.html'.format(author_name, file_name), 'w', encoding='utf-8') as f:
                f.write(html)
        except Exception as e:
            print('文件名錯誤')

        # 11、文件的轉換
        try:
            config=pdfkit.configuration(wkhtmltopdf=r'C:\Program Files\wkhtmltopdf\bin\wkhtmltopdf.exe')
            pdfkit.from_file(
                '{}-html/{}.html'.format(author_name, file_name),
                '{}-pdf/{}.pdf'.format(author_name, file_name),
                configuration=config
            )
            a=print(r'--文件下載成功：{}.pdf'.format(file_name))

        except Exception as e:
            continue


if __name__=='__main__':
   main()

代碼操作：

器之心報道

項目作者：vinayak mehta參與：一鳴

從 PDF 表格中獲取數據是一項痛苦的工作。不久前，一位開發者提供了一個名為 Camelot 的工具，使用三行代碼就能從 PDF 文件中提取表格數據。

PDF 文件是一種非常常用的文件格式，通常用于正式的電子版文件。它能夠很好的將不同的排版格式固定下來，形成版面清晰且美觀的展示效果。然而，對于想要從 PDF 中提取信息的人們來說，PDF 是個噩夢，尤其是表格。

大量的學術報告、論文、分析文章都使用 PDF 展示其中的表格數據，但是對于如果想要直接從表格中復制數據則會非常麻煩。不久前，有一位開發者提供了一個可從文字 PDF 中提取表格信息的工具——Camelot，能夠直接將大部分表格轉換為 Pandas 的 Dataframe。

項目地址：https://github.com/camelot-dev/camelot

Camelot 是什么

據項目介紹稱，Camelot 是一個 Python 工具，用于將 PDF 文件中的表格數據提取出來。

具體而言，用戶可以像使用 Pandas 那樣打開 PDF 文件，然后利用這個工具提取表格數據，最后再指定輸出的形式（如 csv 文件）。

代碼示例

項目提供的 PDF 文件如圖所示，假設用戶需要提取這些文字之間的表格 2-1 中的信息。

PDF 文件。我們需要提取表格 2-1。

使用 Camelot 提取表格數據的代碼如下：

>>> import camelot
>>> tables=camelot.read_pdf('foo.pdf') #類似于Pandas打開CSV文件的形式
>>> tables[0].df # get a pandas DataFrame!
>>> tables.export('foo.csv', f='csv', compress=True) # json, excel, html, sqlite，可指定輸出格式
>>> tables[0].to_csv('foo.csv') # to_json, to_excel, to_html, to_sqlite， 導出數據為文件
>>> tables
<TableList n=1>
>>> tables[0]
<Table shape=(7, 7)> # 獲得輸出的格式
>>> tables[0].parsing_report
{
 'accuracy': 99.02,
 'whitespace': 12.24,
 'order': 1,
 'page': 1
}

以下為輸出的結果，對于合并的單元格，Camelot 在抽取后做了空行處理，這是一個穩妥的方法。

安裝方法

項目作者提供了三種安裝方法。首先，你可以使用 Conda 進行安裝，這是最簡單的。

conda install -c conda-forge camelot-py

最流行的安裝方法是使用 pip 安裝。

pip install camelot-py[cv]

還可以從項目中克隆代碼，并使用源碼安裝。

理：

使用Selenium + ChromeDriver打開頁面，拿到html 源碼，然后再使用pdfkit生成pdf

概念：

Selenium：Selenium是一個用于Web應用程序測試的工具。Selenium測試直接運行在瀏覽器中，就像真正的用戶在操作一樣

ChromeDriver：它是 google 為網站開發人員提供的自動化測試接口，是 selenium2 和 chrome瀏覽器進行通信的橋梁

wkhtmltopdf：它是一個適用于多平臺的html到pdf轉換的軟件

pdfkit：它是wkhtmltopdf的Python封裝包

安裝（Linux CentOS7）

1、安裝wkhtmltopdf

1）在wkhtmltopdf的官網下載安裝包

官網地址：https://wkhtmltopdf.org/downloads.html

2）上傳到linux服務器

scp wkhtmltox-0.12.6-1.centos7.x86_64.rpm tn@10.211.55.22:~/soft/

3）安裝

sudo rpm -ivh wkhtmltox-0.12.6-1.centos7.x86_64.rpm

報錯：

錯誤：依賴檢測失敗：
    xorg-x11-fonts-75dpi 被 wkhtmltox-1:0.12.6-1.centos7.x86_64 需要

安裝xorg-x11-fonts-75dpi：

sudo yum install xorg-x11-fonts-75dpi

再次安裝：

sudo rpm -ivh wkhtmltox-0.12.6-1.centos7.x86_64.rpm

安裝wkhtmltopdf

4）在/usr/local/bin/目錄下可以看到安裝了wkhtmltoimage 和 wkhtmltopdf

查看安裝結果

5）測試是否安裝成功

wkhtmltopdf http://www.baidu.com ~/test.pdf

執行成功后，打開test.pdf，看到下面效果，說明安裝成功

wkhtmltopdf安裝成功

2、安裝pdfkit

1）安裝Python環境

使用Anconada安裝Python環境：

conda create --name python3.6.6 python=3.6.6

進入Python 3.6.6環境（后續所有命令都是在此環境下操作）：

source activate python3.6.6

2）安裝pdfkit

pip install pdfkit

3）示例

import pdfkit

pdf_options={
    'page-size': 'A4',
}

url='https://www.baidu.com/'

pdfkit.from_url(url, 'test.pdf', options=pdf_options)

打開test.pdf看到baidu頁面，說明pdfkit安裝成功

3、為什么要使用Selenium + ChromeDriver

以上的方法僅適用于靜態頁，如果頁面是動態加載出來的，使用以上方法會有問題，動態調用后端接口的部分會加載不出來

為了解決這個問題，可以使用Selenium + ChromeDriver打開頁面，拿到頁面源碼，然后再使用pdfkit生成pdf

4、安裝ChromeDriver

ChromeDriver是依賴于Chrome運行的，所以需要先安裝Chrome

1）安裝Chrome

請自行搜索

2）安裝ChromeDriver

下載地址：http://chromedriver.storage.googleapis.com/index.html

ChromeDriver的版本號需要跟Chrome的版本號對應

比如我的Chrome版本號為Google Chrome 86.0.4240.183，那么對應的ChromeDriver版本號也是86

點擊進入，查看notes.txt，可以看到這個版本的ChromeDriver對應的Chrome版本號

找到相應的系統版本下載：

scp到服務器：

scp ~/Downloads/chromedriver_linux64.zip tn@10.211.55.22:~/soft/

解壓：

unzip chromedriver_linux64.zip

移動：

sudo mv chromedriver /usr/local/bin/chromedriver

查看chromedriver版本：

chromedriver --version

顯示版本：ChromeDriver 86.0.4240.22

5、安裝selenium

pip install selenium

示例

代碼示例：

import pdfkit, time, pprint
from selenium import webdriver

options_chrome=webdriver.ChromeOptions()
# 以最高權限運行
options_chrome.add_argument('--no-sandbox')
# 瀏覽器不提供可視化頁面，linux下如果系統不支持可視化不加這條會啟動失敗
options_chrome.add_argument('--headless')
# executable_path為chromedriver的位置
driver=webdriver.Chrome(executable_path='/usr/local/bin/chromedriver', chrome_options=options_chrome)
# 瀏覽器全屏
driver.fullscreen_window()

url='http://www.tn666.com/test?id=1'
driver.get(url)
# sleep 1秒
time.sleep(1)
source_text=driver.page_source

options_pdf={
    'page-size': 'A4'
}
result=pdfkit.from_string(source_text, 'test.pdf', options=options_pdf)

driver.quit()

請將url換為您想轉為pdf的url

若覺得對您有所幫助，請幫忙點個贊，謝謝～

在線咨詢

上一篇：ES6新增數值的擴展
下一篇：推薦7個高性能JavaScript代碼高亮插件