Python 爬虫：把廖雪峰教程转换成 PDF 电子书

Posted 2020-10-12

写爬虫似乎没有比用 Python 更合适了，Python 社区提供的爬虫工具多得让你眼花缭乱，各种拿来就可以直接用的 library 分分钟就可以写出一个爬虫出来，今天尝试写一个爬虫，将廖雪峰老师的 Python 教程爬下来做成 PDF 电子书方便离线阅读。

 

开始写爬虫前，我们先来分析一下网站的页面结构，网页的左侧是教程的目录大纲，每个 URL 对应到右边的一篇文章，右侧上方是文章的标题，中间是文章的正文部分，正文内容是我们关心的重点，我们要爬的数据就是所有网页的正文部分，下方是用户的评论区，评论区对我们没什么用，所以可以忽略它。

 

 

 

工具准备

 

弄清楚了网站的基本结构后就可以开始准备爬虫所依赖的工具包了。requests、beautifulsoup 是爬虫两大神器，reuqests 用于网络请求，beautifusoup 用于操作 html 数据。有了这两把梭子，干起活来利索，scrapy 这样的爬虫框架我们就不用了，小程序派上它有点杀鸡用牛刀的意思。此外，既然是把 html 文件转为 pdf，那么也要有相应的库支持， wkhtmltopdf 就是一个非常好的工具，它可以用适用于多平台的 html 到 pdf 的转换，pdfkit 是 wkhtmltopdf 的Python封装包。首先安装好下面的依赖包，接着安装 wkhtmltopdf

 

pip install requests

pip install beautifulsoup4

pip install pdfkit

安装 wkhtmltopdf

 

Windows平台直接在 wkhtmltopdf 官网下载稳定版的进行安装，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

爬虫实现

 

一切准备就绪后就可以上代码了，不过写代码之前还是先整理一下思绪。程序的目的是要把所有 URL 对应的 html 正文部分保存到本地，然后利用 pdfkit 把这些文件转换成一个 pdf 文件。我们把任务拆分一下，首先是把某一个 URL 对应的 html 正文保存到本地，然后找到所有的 URL 执行相同的操作。

 

用 Chrome 浏览器找到页面正文部分的标签，按 F12 找到正文对应的 div 标签： <div class="x-wiki-content">，该 div 是网页的正文内容。用 requests 把整个页面加载到本地后，就可以使用 beautifulsoup 操作 HTML 的 dom 元素 来提取正文内容了。

 

 

 

具体的实现代码如下：用 soup.find_all 函数找到正文标签，然后把正文部分的内容保存到 a.html 文件中。

 

def parse_url_to_html(url):

    response = requests.get(url)

    soup = BeautifulSoup(response.content, "html.parser")

    body = soup.find_all(class_="x-wiki-content")[0]

    html = str(body)

    with open("a.html", ‘wb‘) as f:

        f.write(html)

第二步就是把页面左侧所有 URL 解析出来。采用同样的方式，找到 左侧菜单标签 <ul class="uk-nav uk-nav-side">

 

 

 

具体代码实现逻辑：因为页面上有两个uk-nav uk-nav-side的 class 属性，而真正的目录列表是第二个。所有的 url 获取了，url 转 html 的函数在第一步也写好了。

 

def get_url_list():

    """

    获取所有URL目录列表

    """

    response = requests.get("http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000")

    soup = BeautifulSoup(response.content, "html.parser")

    menu_tag = soup.find_all(class_="uk-nav uk-nav-side")[1]

    urls = []

    for li in menu_tag.find_all("li"):

        url = "http://www.liaoxuefeng.com" + li.a.get(‘href‘)

        urls.append(url)

    return urls

最后一步就是把 html 转换成pdf文件了。转换成 pdf 文件非常简单，因为 pdfkit 把所有的逻辑都封装好了，你只需要调用函数 pdfkit.from_file

 

def save_pdf(htmls):

    """

    把所有html文件转换成pdf文件

    """

    options = {

        ‘page-size‘: ‘Letter‘,

        ‘encoding‘: "UTF-8",

        ‘custom-header‘: [

            (‘Accept-Encoding‘, ‘gzip‘)

        ]

    }

    pdfkit.from_file(htmls, file_name, options=options)

执行 save_pdf 函数，电子书 pdf 文件就生成了，效果图：

 

 

 

总结

 

总共代码量加起来不到50行，不过，且慢，其实上面给出的代码省略了一些细节，比如，如何获取文章的标题，正文内容的 img 标签使用的是相对路径，如果要想在 pdf 中正常显示图片就需要将相对路径改为绝对路径，还有保存下来的 html 临时文件都要删除，完整代码放在github上。