scrapy 爬取 CSDN 并保存为 pdf 文件

scrapy 爬取 CSDN 并保存为 pdf 文件

  • 首先配置下载器中间件,这里用 pyppeteer 自动化提取页面
async def _get_page_html(self, request):
    browser = await launch(headless=True)
    url = request.url
    page = await browser.newPage()
    await page.goto(url)
    await asyncio.sleep(3)
    html = await page.content()
    await browser.close()
    if html:
        return HtmlResponse(url=url, body=html, encoding='utf-8', request=request)
    else:
        breakpoint()


async def process_request(self, request, spider):
    special_handling = request.meta.get('special_handling', False)
    if special_handling:
        html = await self._get_page_html(request)
        return html


@classmethod
def from_crawler(cls, crawler, *args, **kwargs):
    # 从Crawler配置获取设置参数
    middleware = cls(*args, **kwargs)
    return middleware

找到 CSDN 网站接口的 url

在这里插入图片描述

第一次请求 url 链接,并且获取到 csdn 动态网页的总页数

def start_requests(self):
    value = input('请输入搜索内容:')
    start_url = f'https://so.csdn.net/api/v3/search?q={value}&t=blog&p=1&s=0&tm=0&lv=-1&ft=0&l=&u=&ct=-1&pnt=-1&ry=-1&ss=-1&dct=-1&vco=-1&cc=-1&sc=-1&akt=-1&art=-1&ca=-1&prs=&pre=&ecc=-1&ebc=-1&ia=1&dId=&cl=-1&scl=-1&tcl=-1&platform=pc&ab_test_code_overlap=&ab_test_random_code='
    yield scrapy.Request(start_url, callback=self.second_requests, dont_filter=True, meta={'start_url': start_url, 'value':value, 'special_handling': True})

def second_requests(self, response):
    datas = response.xpath('/html/body/pre/text()').extract_first()
    data = json.loads(datas)
    print('{}: 共有 {} 页,请输入下载的页数: '.format(response.meta['value'],int(data['total_page'])))
    while True:
        try:
            num = int(input())
            break
        except:
            print('请重新输入')
    for i in range(1,num+1):
        url = response.meta['start_url'].replace('p=1','p={}'.format(i))
        yield scrapy.Request(url, callback=self.detail_url,  dont_filter=False, meta={'special_handling': True})

接下来找到内容所对应的 url 链接,这里使用 breakpoint() 进行断点,如果 datas 的值为 None,那么程序就会停在这里进行调试。

在这里插入图片描述

def detail_url(self, response):
    data = json.loads(response.xpath('/html/body/pre/text()').extract_first())
    datas = data.get('result_vos')
    while True:
        if datas:
            for data in datas:
                title = re.sub('<em>|</em>','',data['title']).strip()
                url = data['url']
                yield scrapy.Request(url, callback=self.parse, dont_filter=True, meta={'title':title})
            break
        else:
            breakpoint()

最后,提取出页面的 HTML 文本代码,从 weasyprint 导入 HTML 进行 PDF 的转换

在这里插入图片描述

def parse(self,response):
    title = response.meta['title']
    page = response.xpath('//*[@id="content_views"]').extract_first()
    while True:
        if page:
            html = '''<!DOCTYPE html><html lang="en"><head><meta charset="UTF-8"><title>{}</title></head><body><p><h1>{}</h1><hr><br></p>{}</body></html>'''.format(title, title, page)
            file_name = re.sub(r'[\/:*?"<>|‘]', '', title).replace(' ', '')
            file_path = f'E:/LiuChuang_reptile/CSDN/Documents/{file_name}.pdf'
            HTML(string=html).write_pdf(file_path, **self.options)
            print('{} 下载完成\n链接: {}'.format(file_name, response.url))
            break
        else:
            breakpoint()

代码所使用的模块

import json
import scrapy
from weasyprint import HTML
import re
from scrapy.downloadermiddlewares.httpproxy import HttpProxyMiddleware
from scrapy.http import HtmlResponse
import asyncio
from pyppeteer import launch

如有问题还请指出,最终以你为主😀,如果需要完整代码请评论或者私聊!

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值