使用BeautifulSoup 4和Pillow合并网页图片到一个PDF：一种高效的方式来处理网页图像

背景

​ 网页上的培训材料，内容全是PPT页面图片。直接通过浏览器打印，会存在只打印第一页，并且把浏览器上无效信息也打印出来情况。但目标是希望将页面图片全部打印为pdf形式。

实现方案

1. 利用网页“另存为”，将页面内所有图片资源下载到本地；
2. 利用页面html源码，解析出图片下载名与标准名之间对应关系；
3. 格式化标准名，按文件名顺序排序;
4. 按文件名顺序合并所有图片到一个pdf文件中。

技术点

1. 利用BS4解析html文档
2. 利用PIL的Image合并图片到pdf

操作步骤

1. 打开页面并选择“另存为”。

   

2. 保存到F:\course目录下

   

   

   

3. 将所有图片文件复制到tmp目录

   通过分析页面图片，所有有效图片都是后缀为JPG格式的图片。

   

   

4. 运行read_html.py文件，标准化tmp目录下图片文件名

   1、使用img标签下的alt文件名替换tmp目录下文件名。（本处实现，发现下载图片文件名为src下文件名，但alt属性中文件名更便于理解和排序）

   2、将文件名中编号规整，保持3位数字。（本处实现，最大的序号为366；名称为“幻灯片2.JPG”的会显示在“幻灯片11.JPG”的后面，需要将“幻灯片2.JPG’和”幻灯片11.JPG“规整为"幻灯片002.JPG"和”幻灯片011.JPG“）

   

5. 运行merge_img2pdf.py文件，将tmp目录下所有图片合并成一个pdf文件

   

   

源代码及注释

# content of read_html.py
# 解析本地html文件，并将图片文件标准化命名
import re
import os
from bs4 import BeautifulSoup

def main():
    img_dict = {}
    soup = BeautifulSoup(open('个人中心-云阅读_希赛网.html')) # 读取另存为生成的html文件
    imgs = soup.find_all('img') # 获取所有img标签
    for img in imgs:
        if len(img['alt']) == 0:    # 过滤掉img标签中alt属性内容为空的字段
            continue
        real_name = img['alt']
        if len(real_name) == 9:     # 标准化img文件名，全部变为"幻灯片XXX.JPG"形式
            real_name = real_name[0:3]+'0'+real_name[3:]
        elif len(real_name) == 8:
            real_name = real_name[0:3]+'00'+real_name[3:]
        img_dict[os.path.basename(img['src'])] = real_name  # 构造字典,key为下载到本地的文件名，value为易读的待修改后的文件名
    print(img_dict)
    os.chdir('tmp') # 切换到tmp目录下
    for old_file_name, new_file_name in img_dict.items():
        if os.path.exists(old_file_name):   # 若实际文件存在才进行更名
            try:    # 增加异常捕获，alt属性名称存在同名情况，有发生异常风险。
                os.rename(old_file_name,new_file_name)  # 重命令文件
            except:
                pass
    
if __name__ == "__main__":
    main()

# content of merge_img2pdf.py
# 遍历tmp下所有jpg文件，并在运行目录下生成pdf文件
from io import BytesIO
from PIL import Image
import os


def get_file_list():
    file_list = []
    for file in os.listdir():   # 遍历目录下所有JPG或jpg文件，并保存到file_list列表中，列表中图片顺序根据文件名称排序。
        if file.endswith('JPG') or file.endswith('jpg'):
            file_list.append(file)
    return file_list
    
def convert_to_pdf(file_list:list):
    sources = []
    output = Image.open(file_list[0])   # Image中加入第一张图片
    print(file_list)
    file_list.pop(0) # 从列表中去除第一张图片
    for file in file_list:
        file = Image.open(file) # 逐张打开图片
        if file.mode == "RGB":
            file = file.convert("RGB")
        sources.append(file) # 并添加到sources列表中
    os.chdir('..') # 返回程序运行目录
    output.save("output.pdf","pdf",save_all=True,append_images=sources) # 保存图片到pdf文件中，创建output时已经设置了第一张图片，append_images列表中按顺序保存了其它图片内容。
        
def main():
    os.chdir('tmp') # 进入tmp目录下
    file_list = get_file_list()
    convert_to_pdf(file_list)
    
if __name__ == "__main__":
    main()

后续优化

• 目前是通过命令行方式运行，可以考虑通过pyside6做页面。
• 当前只适配了希赛一个网站，根据后续需求增加程序的适配图片格式。