Python网页抓取转换doc
一、根据安装包所提示内容安装对应的第三方包
我这个安装包指定的是pypandoc的版本是1.6.3
pip install pypandoc==1.6.3 -i https://pypi.tuna.tsinghua.edu.cn/simple
二、pypandoc的用法
网上一搜pypandoc的用法有许多,但是大多数都是将一个html文件下载下来,然后去转换html转换为docx文件。我这个方法更适用于在RPA开发中的取数。
import os
from selenium import webdriver
from time import sleep
import pypandoc
driver = webdriver.Chrome()
driver.maximize_window()
driver.get(url=r"http://www.cfachina.org/aboutassociation/associationannouncement/202301/t20230120_35468.html")
sleep(3)
html = driver.find_element_by_xpath('//div[@class="job-infos"]').get_attribute("outerHTML")
title = driver.find_element_by_xpath("//div[@class='job-tit']").text
content_savePath = r"D:\test" + os.sep + title + ".docx"
pypandoc.convert_text(html, 'docx', 'html', outputfile=content_savePath)
driver.quit()
如果对获取到的内容不满意,可以修改html对应的xpath。