使用 Python 获取公众号文章并保存为 PDF 文件

如标题所示，本博客内容主要分为两个部分：

1. 获取公众号文章
2. 将文章保存为 PDF 文件

一、获取公众号文章

这里使用了 wechatsogou 这一第三方模块，该模块的用法非常简单，输入公众号名称就可以获取公众号信息及公众号近期文章列表

import wechatsogou
import os, pdfkit, time

# 公众号名称
gzh_name = ‘xxx’
# 公众号信息
gzh_info = ws_api.get_gzh_info(gzh_name)
# 搜索公众号文章
searched_articles = ws_api.search_article(gzh_name)
# 公众号近期文章
article_ls = ws_api.get_gzh_article_by_history(gzh_name)['article']
# 首页热门文章
hot_articles = ws_api.get_gzh_article_by_hot(gzh_name)

二、浏览器页面转 PDF 文件

使用 pdfkit 模块可以轻松完成 HTML 文件到 PDF 文件的转换方式

import pdfkit

# 从页面 URL 出发得到 PDF文件
pdfkit.from_url(html_path, save_path, configuration=config)
# 从本地 HTML 文件路径出发得到 PDF 文件
pdfkit.from_file(html_path, save_path, configuration=config)
# 从 HTML 文件内容出发的到 PDF 文件
pdfkit.from_string(html_path, save_path, configuration=config)

具体配置及使用方法可以参考本人的上一篇博客

三、完整代码

import wechatsogou
import os, pdfkit, time

ws_api =wechatsogou.WechatSogouAPI()

class Utils:
    @staticmethod
    def select_path(path):
        if not os.path.exists(path):
            os.makedirs(path)

    @staticmethod
    def timeStamp_to_timeStr(timeStamp, time_format='%Y%m%d'):
        '''
        时间戳转时间字符串
        '''
        timeStruct = time.localtime(timeStamp)
        timeStr = time.strftime(time_format,timeStruct)
        return timeStr

    @staticmethod
    def format_file_name(file_name):
        ls = [',', '/', '?', '|', '\\', '，', '。', '、', '？', '|', ';', '：', '；', ':']
        for i in ls:
            if i in file_name:
                file_name = file_name.replace(i, '_')
        return file_name

    @staticmethod
    def html_to_pdf(html_path, save_path, path_type='file_path'):
        '''
        params:
            html_path    HTML 文件路径/URL/字符串
            save_path    PDF 文件要保存的位置 
            path_type    输入的 html_path 的类型 ['url_path', 'file_path', 'string']
        '''
        path_wk = r'D:\Program Files\wkhtmltopdf\bin\wkhtmltopdf.exe' #wkhtmltopdf 安装位置
        config = pdfkit.configuration(wkhtmltopdf = path_wk)
        if path_type == 'url_path':
            pdfkit.from_url(html_path, save_path, configuration=config)
        elif path_type == 'file_path':
            pdfkit.from_file(html_path, save_path, configuration=config)
        elif path_type == 'string':
            pdfkit.from_string(html_path, save_path, configuration=config)

def get_gzh_article(gzh_name):
    article_ls = ws_api.get_gzh_article_by_history(gzh_name)['article']
    for article in article_ls:
        datetime = article['datetime']
        title = article['title']
        content_url = article['content_url']
        author = article['author']
        # 格式化处理
        datetime = Utils.timeStamp_to_timeStr(datetime)
        title = Utils.format_file_name(title)

        if author != '':
            file_name = datetime + '-' + title + '-' + author + '.pdf'
        else:
            file_name = datetime + '-' + title + '.pdf'

        article_root_path = '公众号文章/' + gzh_name

        Utils.select_path(article_root_path)  # 创建目录
        saved_article_ls = os.listdir(article_root_path)

        if file_name in saved_article_ls:
            continue
        else:
            save_path = article_root_path + '/' + file_name

        print(file_name + '-- start')
        Utils.html_to_pdf(content_url, save_path, 'url_path')
        print(file_name + '-- end')

if __name__ == '__main__':
    gzh_ls = ['公众号1', '公众号2']
    for gzh in gzh_ls:
        get_gzh_article(gzh)

目录结构如下：

root --- main.py
     |-- 公众号文章  --- 公众号1
     	               |-- 文章1
     	               |-- 文章2
     	               |-- ...
                   |-- 公众号2
                       |-- 文章1
                       |-- 文章2
                       |-- ...