利用Python爬取教程并转为PDF文档！(1)

该教程只提供了 HTML格式文件的下载，还是不太方便查阅，那就让我们动手将其转成PDF吧！

2、准备工作

---

2.1 软件安装

---

由于我们是要把html转为pdf，所以需要手动wkhtmltopdf 。Windows平台直接在 http://wkhtmltopdf.org/downloads.html 下载稳定版的 wkhtmltopdf 进行安装，安装完成之后把该程序的执行路径加入到系统环境 $PATH 变量中，否则 pdfkit 找不到 wkhtmltopdf 就出现错误 “No wkhtmltopdf executable found”。Ubuntu 和 CentOS 可以直接用命令行进行安装

$ sudo apt-get install wkhtmltopdf # ubuntu

$ sudo yum intsall wkhtmltopdf # centos

2.2 库安装

---

• pip install requests # 用于网络请求

• pip install beautifulsoup4 # 用于操作html

• pip install pdfkit # wkhtmltopdf 的Python封装包

• pip install PyPDF2 # 用于合并pdf

3、爬取内容

---

本文的目标网址为：http://python3-cookbook.readthedocs.io/zh_CN/latest/ 。

3.1 获取教程名称

---

页面的左边一栏为目录，按F12调出开发者工具并按以下步骤定位到目录元素：

① 点击开发者工具左上角"选取页面元素"按钮；

② 用鼠标点击左上角教程名称处。

通过以上步骤即可定位到目录元素，用图说明：

从图看到我们需要的教程名称包含在<div class="wy-side-nav-search"></div>之间的a标签里。假设我们已经获取到了网页内容为html，可以使用以下代码获取该内容：

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

3.2 获取目录及对应网址

---

使用与 2.1 相同的步骤来获取：

从图看到我们需要的目录包含在<div class="section"></div>之间，<li class="toctree-l1"></li>标签里为一级目录及网址；<li class="toctree-l2"></li>标签里为二级目录及网址。当然这个url是相对的url，前面还要拼接http://python3-cookbook.readthedocs.io/zh_CN/latest/。

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():

"""

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！