Python爬取网页转为PDF

爬虫的起因

官方文档或手册虽然可以查阅，但是如果变成纸质版的岂不是更容易翻阅与记忆。如果简单的复制粘贴，不知道何时能够完成。于是便开始想着将Android的官方手册爬下来。

全篇的实现思路

分析网页
学会使用BeautifulSoup库
爬取并导出

参考资料：
* 把廖雪峰的教程转换为PDF电子书
* Requests文档
* Beautiful Soup文档

配置

在Ubuntu下使用Pycharm运行成功
转PDF需要下载wkhtmltopdf

具体过程

网页分析

这样一个网页https://developer.android.com/training/basics/supporting-devices/screens.html,要做的是获取该网页的正文和标题，以及左边导航条的所有网址
如下所示：
0423
接下来的工作就是找到这些标签喽…

关于Requests的使用

详细参考文档，这里只是简单的使用Requests获取html以及使用代理翻墙（网站无法直接访问，需要VPN）

proxies={
        "http":"http://vpn的IP:port",
        "https":"https://vpn的IP:port",
    }

response=requests.get(url,proxies=proxies)

Beautiful Soup的使用

参考资料里面有Beautiful Soup文档，将其看完后，可以知道就讲了两件事：一个是查找标签，一个是修改标签。
本文需要做的是：
1. 获取标题和所有的网址,涉及到的是查找标签

#对标签进行判断，一个标签含有href而不含有description，则返回true
#而我希望获取的是含有href属性而不含有description属性的<a>标签，（且只有a标签含有href）
def has_href_but_no_des(tag):
    return tag.has_attr('href') and not tag.has_attr('description')

#网页分析，获取网址和标题
def parse_url_to_html(url):

    response=requests.get(url,proxies=proxies)
    soup=BeautifulSoup(response.content,"html.parser")
    s=[]#获取所有的网址
    title=[]#获取对应的标题
    tag=soup.find(id="nav")#获取第一个id为"nav"的标签，这个里面包含了网址和标题
    for i in tag.find_all(has_href_but_no_des):
        s.append(i['href'])
        title.append(i.text)

    #获取的只是标签集，需要加html前缀
    htmls = "<html><head><meta charset='UTF-8'></head><body>"
    with open("android_training_3.html",'a') as f:
        f.write(htmls)

对上面获取的网址分析，获取正文，并将图片取出存于本地;涉及到的是查找标签和修改属性

#网页操作，获取正文及图片
def get_htmls(urls,title):

    for i in range(len(urls)):
        response=requests.get(urls[i],proxies=proxies)
        soup=BeautifulSoup(response.content,"html.parser")
        htmls="<div><h1>"+str(i)+"."+title[i]+"</h1></div>"
        tag=soup.find(class_='jd-descr')
        #为image添加相对路径，并下载图片
        for img in tag.find_all('img'):
            im = requests.get(img['src'], proxies=proxies)
            filename = os.path.split(img['src'])[1]
            with open('image/' + filename, 'wb') as f:
                f.write(im.content)
            img['src']='image/'+filename
        htmls=htmls+str(tag)
        with open("android_training_3.html",'a') as f:
            f.write(htmls)
        print("  (%s)  [%s] download end"%(i,title[i]))
    htmls="</body></html>"
    with open("android_training_3.html",'a') as f:
        f.write(htmls)

转为PDF
这一步需要下载wkhtmltopdf,在Windows下执行程序一直出错..Ubuntu下可以

def save_pdf(html):
    """
    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(html, "android_training_3.pdf", options=options)

最后的效果图

这里写图片描述