利用Python爬取教程并转为PDF文档！(1)

使用BeautifulSoup进行数据的提取：

全局变量

base_url = ‘http://python3-cookbook.readthedocs.io/zh_CN/latest/’

book_name = ‘’

chapter_info = []

def parse_title_and_url(html):

"""

解析全部章节的标题和url

:param html: 需要解析的网页内容

:return None

"""

soup = BeautifulSoup(html, 'html.parser')

# 获取书名

book_name = soup.find('div', class_='wy-side-nav-search').a.text

menu = soup.find_all('div', class_='section')

chapters = menu[0].div.ul.find_all('li', class_='toctree-l1')

for chapter in chapters:

    info = {}

    # 获取一级标题和url

    # 标题中含有'/'和'*'会保存失败

    info['title'] = chapter.a.text.replace('/', '').replace('*', '')

    info['url'] = base_url + chapter.a.get('href')

    info['child_chapters'] = []

    # 获取二级标题和url

    if chapter.ul is not None:

        child_chapters = chapter.ul.find_all('li')

        for child in child_chapters:

            url = child.a.get('href')

            # 如果在url中存在'#'，则此url为页面内链接，不会跳转到其他页面

            # 所以不需要保存

            if '#' not in url:

                info['child_chapters'].append({

                    'title': child.a.text.replace('/', '').replace('*', ''),

                    'url': base_url + child.a.get('href'),

                })

    chapter_info.append(info)

代码中定义了两个全局变量来保存信息。章节内容保存在chapter_info列表里，里面包含了层级结构，大致结构为：

[

{

    'title': 'first_level_chapter',

    'url': 'www.xxxxxx.com',

    'child_chapters': [

        {

            'title': 'second_level_chapter',

            'url': 'www.xxxxxx.com',

        }

        ...            

    ]

}

...

]

3.3 获取章节内容

还是同样的方法定位章节内容：

05.获取章节内容

代码中我们通过itemprop这个属性来定位，好在一级目录内容的元素位置和二级目录内容的元素位置相同，省去了不少麻烦。

html_template = “”"

<meta charset="UTF-8">

{content}

“”"

def get_content(url):

"""

解析URL，获取需要的html内容

:param url: 目标网址

:return: html

"""

html = get_one_page(url)

soup = BeautifulSoup(html, 'html.parser')

content = soup.find('div', attrs={'itemprop': 'articleBody'})

html = html_template.format(content=content)

return html

3.4 保存pdf

---

def save_pdf(html, filename):

"""

把所有html文件保存到pdf文件

:param html:  html内容

:param file_name: pdf文件名

:return:

"""

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'),

    ],

    'outline-depth': 10,

}

pdfkit.from_string(html, filename, options=options)

def parse_html_to_pdf():

"""

解析URL，获取html，保存成pdf文件

:return: None

"""

try:

    for chapter in chapter_info:

        ctitle = chapter['title']

        url = chapter['url']

        # 文件夹不存在则创建（多级目录）

        dir_name = os.path.join(os.path.dirname(__file__), 'gen', ctitle)

        if not os.path.exists(dir_name):

            os.makedirs(dir_name)

        html = get_content(url)

        padf_path = os.path.join(dir_name, ctitle + '.pdf')

        save_pdf(html, os.path.join(dir_name, ctitle + '.pdf'))

        children = chapter['child_chapters']

        if children:

            for child in children:

                html = get_content(child['url'])

                pdf_path = os.path.join(dir_name, child['title'] + '.pdf')

                save_pdf(html, pdf_path)

except Exception as e:

    print(e)

3.5 合并pdf

---

经过上一步，所有章节的pdf都保存下来了，最后我们希望留一个pdf，就需要合并所有pdf并删除单个章节pdf。

from PyPDF2 import PdfFileReader, PdfFileWriter

def merge_pdf(infnList, outfn):

"""

合并pdf

:param infnList: 要合并的PDF文件路径列表

:param outfn: 保存的PDF文件名

:return: None

"""

pagenum = 0

pdf_output = PdfFileWriter()

for pdf in infnList:

    # 先合并一级目录的内容

    first_level_title = pdf['title']

    dir_name = os.path.join(os.path.dirname(

        __file__), 'gen', first_level_title)

    padf_path = os.path.join(dir_name, first_level_title + '.pdf')

    pdf_input = PdfFileReader(open(padf_path, 'rb'))

    # 获取 pdf 共用多少页

    page_count = pdf_input.getNumPages()

    for i in range(page_count):

        pdf_output.addPage(pdf_input.getPage(i))

    # 添加书签

    parent_bookmark = pdf_output.addBookmark(

        first_level_title, pagenum=pagenum)

    # 页数增加

    pagenum += page_count

    # 存在子章节

    if pdf['child_chapters']:

        for child in pdf['child_chapters']:

            second_level_title = child['title']

            padf_path = os.path.join(dir_name, second_level_title + '.pdf')

            pdf_input = PdfFileReader(open(padf_path, 'rb'))

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）

mg-3eu479yL-1713761604558)]

[外链图片转存中…(img-3hyII0b9-1713761604558)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）