Python实现抓取HTML网页并以PDF文件形式保存的方法-侯体宗的博客

Python实现抓取HTML网页并以PDF文件形式保存的方法
Python / 管理员发布于 7年前 201

本文实例讲述了Python实现抓取HTML网页并以PDF文件形式保存的方法。分享给大家供大家参考，具体如下：

一、前言

今天介绍将HTML网页抓取下来，然后以PDF保存，废话不多说直接进入教程。

今天的例子以廖雪峰老师的Python教程网站为例：http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000

二、准备工作

1. PyPDF2的安装使用（用来合并PDF）：

PyPDF2版本：1.25.1

https://pypi.python.org/pypi/PyPDF2/1.25.1

或

https://github.com/mstamy2/PyPDF2

安装：

pip install PyPDF2

使用示例：

from PyPDF2 import PdfFileMergermerger = PdfFileMerger()input1 = open("hql_1_20.pdf", "rb")input2 = open("hql_21_40.pdf", "rb")merger.append(input1)merger.append(input2)# Write to an output PDF documentoutput = open("hql_all.pdf", "wb")merger.write(output)

2. requests、beautifulsoup 是爬虫两大神器，reuqests 用于网络请求，beautifusoup 用于操作 html 数据。有了这两把梭子，干起活来利索。scrapy 这样的爬虫框架我们就不用了，这样的小程序派上它有点杀鸡用牛刀的意思。此外，既然是把 html 文件转为 pdf，那么也要有相应的库支持， wkhtmltopdf 就是一个非常的工具，它可以用适用于多平台的 html 到 pdf 的转换，pdfkit 是 wkhtmltopdf 的Python封装包。首先安装好下面的依赖包

pip install requestspip install beautifulsoup4pip install pdfkit

3. 安装 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

三、数据准备

1. 获取每篇文章的url

def get_url_list():  """  获取所有URL目录列表  :return:  """  response = requests.get("http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000")  soup = BeautifulSoup(response.content, "html.parser")  menu_tag = soup.find_all(class_="uk-nav uk-nav-side")[1]  urls = []  for li in menu_tag.find_all("li"):    url = "http://www.liaoxuefeng.com" + li.a.get('href')    urls.append(url)  return urls

2. 通过文章url用模板保存每篇文章的HTML文件

html模板：

html_template = """<!DOCTYPE html><html lang="en"><head>  <meta charset="UTF-8"></head><body>{content}</body></html>"""

进行保存：

def parse_url_to_html(url, name):  """  解析URL，返回HTML内容  :param url:解析的url  :param name: 保存的html文件名  :return: html  """  try:    response = requests.get(url)    soup = BeautifulSoup(response.content, 'html.parser')    # 正文    body = soup.find_all(class_="x-wiki-content")[0]    # 标题    title = soup.find('h4').get_text()    # 标题加入到正文的最前面，居中显示    center_tag = soup.new_tag("center")    title_tag = soup.new_tag('h1')    title_tag.string = title    center_tag.insert(1, title_tag)    body.insert(1, center_tag)    html = str(body)    # body中的img标签的src相对路径的改成绝对路径    pattern = "(<img .*?src=\")(.*?)(\")"    def func(m):      if not m.group(3).startswith("http"):        rtn = m.group(1) + "http://www.liaoxuefeng.com" + m.group(2) + m.group(3)        return rtn      else:        return m.group(1)+m.group(2)+m.group(3)    html = re.compile(pattern).sub(func, html)    html = html_template.format(content=html)    html = html.encode("utf-8")    with open(name, 'wb') as f:      f.write(html)    return name  except Exception as e:    logging.error("解析错误", exc_info=True)

3. 把html转换成pdf

def save_pdf(htmls, file_name):  """  把所有html文件保存到pdf文件  :param htmls: html文件列表  :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_file(htmls, file_name, options=options)

4. 把转换好的单个PDF合并为一个PDF

merger = PdfFileMerger()for pdf in pdfs:  merger.append(open(pdf,'rb'))  print u"合并完成第"+str(i)+'个pdf'+pdf

完整源码：

# coding=utf-8import osimport reimport timeimport loggingimport pdfkitimport requestsfrom bs4 import BeautifulSoupfrom PyPDF2 import PdfFileMergerhtml_template = """<!DOCTYPE html><html lang="en"><head>  <meta charset="UTF-8"></head><body>{content}</body></html>"""def parse_url_to_html(url, name):  """  解析URL，返回HTML内容  :param url:解析的url  :param name: 保存的html文件名  :return: html  """  try:    response = requests.get(url)    soup = BeautifulSoup(response.content, 'html.parser')    # 正文    body = soup.find_all(class_="x-wiki-content")[0]    # 标题    title = soup.find('h4').get_text()    # 标题加入到正文的最前面，居中显示    center_tag = soup.new_tag("center")    title_tag = soup.new_tag('h1')    title_tag.string = title    center_tag.insert(1, title_tag)    body.insert(1, center_tag)    html = str(body)    # body中的img标签的src相对路径的改成绝对路径    pattern = "(<img .*?src=\")(.*?)(\")"    def func(m):      if not m.group(3).startswith("http"):        rtn = m.group(1) + "http://www.liaoxuefeng.com" + m.group(2) + m.group(3)        return rtn      else:        return m.group(1)+m.group(2)+m.group(3)    html = re.compile(pattern).sub(func, html)    html = html_template.format(content=html)    html = html.encode("utf-8")    with open(name, 'wb') as f:      f.write(html)    return name  except Exception as e:    logging.error("解析错误", exc_info=True)def get_url_list():  """  获取所有URL目录列表  :return:  """  response = requests.get("http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000")  soup = BeautifulSoup(response.content, "html.parser")  menu_tag = soup.find_all(class_="uk-nav uk-nav-side")[1]  urls = []  for li in menu_tag.find_all("li"):    url = "http://www.liaoxuefeng.com" + li.a.get('href')    urls.append(url)  return urlsdef save_pdf(htmls, file_name):  """  把所有html文件保存到pdf文件  :param htmls: html文件列表  :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_file(htmls, file_name, options=options)def main():  start = time.time()  file_name = u"liaoxuefeng_Python3_tutorial"  urls = get_url_list()  for index, url in enumerate(urls):   parse_url_to_html(url, str(index) + ".html")  htmls =[]  pdfs =[]  for i in range(0,124):    htmls.append(str(i)+'.html')    pdfs.append(file_name+str(i)+'.pdf')    save_pdf(str(i)+'.html', file_name+str(i)+'.pdf')    print u"转换完成第"+str(i)+'个html'  merger = PdfFileMerger()  for pdf in pdfs:    merger.append(open(pdf,'rb'))    print u"合并完成第"+str(i)+'个pdf'+pdf  output = open(u"廖雪峰Python_all.pdf", "wb")  merger.write(output)  print u"输出PDF成功！"  for html in htmls:    os.remove(html)    print u"删除临时文件"+html  for pdf in pdfs:    os.remove(pdf)    print u"删除临时文件"+pdf  total_time = time.time() - start  print(u"总共耗时：%f 秒" % total_time)if __name__ == '__main__':  main()

更多Python相关内容感兴趣的读者可查看本站专题：《Python文件与目录操作技巧汇总》、《Python编码操作技巧总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》及《Python入门与进阶经典教程》

希望本文所述对大家Python程序设计有所帮助。

上一条：
Python读写/追加excel文件Demo分享
下一条：
Python读写docx文件的方法

0条评论 (评论内容有缓存机制,请悉知!)