利用Python爬取教程并转为PDF文档！

# 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'))

            # 获取 pdf 共用多少页

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！