一、说明
将微信公众号上的推文(主要是指图文类的学习资料)爬取下来整合成word或者ppt格式文档。
二、代码示例
# -*- coding = utf-8 -*-
# @Time : 2021/7/31 16:30
# @Author : 陈良兴
# @File : python爬取微信公众号图片并生成word&ppt.py
# @Software : PyCharm
import requests
from bs4 import BeautifulSoup
import datetime
import os
from docx import Document # 导入docx包
from docx.shared import Cm as word_Cm # 设置页面边距
from pptx import Presentation
from pptx.util import Cm as ppt_Cm
# 图片格式列表
pic_format_list = []
# 创建文件夹
def create_file():
# 获取系统时间
curr_time = datetime.datetime.now()
# 将时间格式化为字符生成时间戳到时候给文件夹命名用
path = datetime.datetime.strftime(curr_time, '%Y%m%d%H%M')
# 检查是否存在这个文件夹
if os.path.exists(path):
pass
# print("属于这个时间点的文件夹已经创建好!")
else:
# 不存在则创建
os.mkdir(path)
# print("创建成功!!!!正在保存图片")
# 获取当前工作目录并加上之前的时间生成文件夹路径
dirname = os.getcwd() + '\\' + path + '\\'
return dirname
# 获取微信公众号图片
def get_picture(url):
headers = {
'user-agent': 'Mozilla/5.0 (iPhone; CPU iPhone OS 11_0 like Mac OS X) AppleWebKit/604.1.38 (KHTML, like Gecko) Version/11.0 Mobile/15A372 Safari/604.1'
}
# 向刚才输入的公众号链接里面发送请求
req = requests.get(url=url, headers=headers).content.decode()
# 用BeautifulSoup解析网页
soup = BeautifulSoup(req, 'lxml')
res = soup.select('img') # 获取该网页中所有的图片标签
a = 0
# 遍历所有的图片标签
for i in res:
if i.get("data-src") == None: # 如果这个标签内的data-src等于空的时候直接跳过
pass
else: # 否则获取data-src里面的内容获取图片链接
# print(f'链接:{i.get("data-src")}类型为:{i.get("data-type")}')
pic_format_list.append(i.get("data-type"))
# 尝试去保存图片 如果保存图片错误则抛出异常
try:
# 拼接路径+a.jpg a是等于数字 每添加一个 a自增一 相当于是给图片命名 并且以二进制的形式写入
with open(create_file() + f'{a}.{i.get("data-type")}', 'wb') as f:
# 向这个图片发送请求 并将图片的二进制写入
f.write(requests.get(url=i.get("data-src"), headers=headers).content)
f.close() # 关闭写入
a = a + 1 # a自增一
except Exception as e: # 抛出异常 增加程序强壮性
print("该链接为空自动跳过!")
print(f"此次一共成功保存图片{a}张")
# 生成word文档
def Generate_word(file_name):
Doc = Document()
# 设置页面边距
sec = Doc.sections[0] # sections对应文档中的“节”
sec.left_margin = word_Cm(0) # 以下依次设置左、右、上、下页面边距
sec.right_margin = word_Cm(0)
sec.top_margin = word_Cm(0)
sec.bottom_margin = word_Cm(0)
# 插入图片
for i in range(1, 50):
path = r'{}\{}.{}'.format(create_file(), i, pic_format_list[i])
Doc.add_picture(path, width=word_Cm(21.88), height=word_Cm(29)) # Cm是厘米
i += 1
Doc.save(r'./{}.docx'.format(file_name))
# 生成ppt
def Generate_ppt(file_name):
PPT = Presentation()
# 插入图片
for i in range(1, 50):
path = r'{}\{}.{}'.format(create_file(), i, pic_format_list[i])
# PPT.slide_layouts[0] 第一个母版中的第1个样式
# 添加新的一页,这个页面的版式就是括号里的
ppt_slide = PPT.slides.add_slide(PPT.slide_layouts[6]) # 这是样式是空白
# left、top分别为图片左边距、顶部边距
ppt_slide.shapes.add_picture(path, left=ppt_Cm(0), top=ppt_Cm(0), height=ppt_Cm(19))
i += 1
PPT.save(r'./{}.pptx'.format(file_name))
if __name__ == '__main__':
url = input("请输入微信公众号url:")
file_name = input("请设置文档名称:") # 文档名称
get_picture(url) # 获取微信公众号图片
print("Saving......")
# Generate_word(file_name) # 生成word
Generate_ppt(file_name) # 生成ppt
print(pic_format_list)
print("文档创建成功!")