爬虫:保存linux网页教程为pdf格式

安装wkhtmltopdf,在官网下载或在windows终端输入 pip install wkhtmltopdf

添加到系统变量Path后重启电脑

使用 pip install pdfkit 安装pdfkit

使用wkhtmltopdf将http://www.linuxprobe.com/ 中的linux网页教程为pdf格式 存在问题:

  1. 编码问题: 如果将保存的pdf文件命名为中文则出现 names = unicode(name, encoding=’utf-8’) TypeError: decoding Unicode is not supported 错误
#-*-coding:utf-8-*-

import pdfkit
import requests
import sys
import os
import urllib2
import re


reload(sys)
sys.setdefaultencoding('utf-8')

class Spider:
    def get_pdf(self, urls, name):
        if os.path.exists('E:/linux_pdf'):
            print 'already exists!!!'
        else:
            os.mkdir('E:/linux_pdf')
        os.chdir('E:/linux_pdf/')
        print 'url = ' + urls
        # names = unicode(name, encoding='utf-8')
        # print names

        pdfkit.from_url(urls, name + '.pdf')
        print 'hahhaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa'
    def get_main_page(self,url):
        header = {'User-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}

        html = requests.get(url)
        url_field = re.findall('<ul class="dropdown-menu">(.*?)</ul>', html.text, re.S)[0]
        url_lists = re.findall('class="menu-item.*?<a href="(.*?)">', url_field, re.S)
        print url_lists
        print '-'*100
        name_lists = re.findall('<a href=".*?">(.*?)</a></li>',url_field, re.S)


        if len(url_lists) == len(name_lists):
            for i in range(1, len(url_lists)+1):
                self.get_pdf(url_lists[i-1], str(i))
        else:
            print "crawl lists is wrong!!!"

if __name__ == '__main__':
    url = 'http://www.linuxprobe.com/'
    spider = Spider()
    spider.get_main_page(url)
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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