侯体宗的博客
  • 首页
  • Hyperf版
  • beego仿版
  • 人生(杂谈)
  • 技术
  • 关于我
  • 更多分类
    • 文件下载
    • 文字修仙
    • 中国象棋ai
    • 群聊
    • 九宫格抽奖
    • 拼图
    • 消消乐
    • 相册

python爬取网页内容转换为PDF文件

Python  /  管理员 发布于 7年前   166

本文实例为大家分享了python爬取网页内容转换为PDF的具体代码,供大家参考,具体内容如下

将廖雪峰的学习教程转换成PDF文件,代码只适合该网站,如果需要其他网站的教程,可靠需要进行稍微的修改。

# coding=utf-8 import os import re import time import pdfkit import requests from bs4 import BeautifulSoup from PyPDF2 import PdfFileMergerimport sysreload(sys)sys.setdefaultencoding('utf8')html_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:    print "解析错误!"#----------------------------------------------------------------------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 #----------------------------------------------------------------------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) #----------------------------------------------------------------------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)#----------------------------------------------------------------------def changeDir(dir_name):  """  目录切换  """  if not os.path.exists(dir_name):    os.mkdir(dir_name)  os.chdir(dir_name)#----------------------------------------------------------------------if __name__ == '__main__':  #存放文件的路径  dir_name = '/home/Python/Html'    changeDir(dir_name)  main() 

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。


  • 上一条:
    python pandas 对series和dataframe的重置索引reindex方法
    下一条:
    python爬取网页转换为PDF文件
  • 昵称:

    邮箱:

    0条评论 (评论内容有缓存机制,请悉知!)
    最新最热
    • 分类目录
    • 人生(杂谈)
    • 技术
    • linux
    • Java
    • php
    • 框架(架构)
    • 前端
    • ThinkPHP
    • 数据库
    • 微信(小程序)
    • Laravel
    • Redis
    • Docker
    • Go
    • swoole
    • Windows
    • Python
    • 苹果(mac/ios)
    • 相关文章
    • 在python语言中Flask框架的学习及简单功能示例(0个评论)
    • 在Python语言中实现GUI全屏倒计时代码示例(0个评论)
    • Python + zipfile库实现zip文件解压自动化脚本示例(0个评论)
    • python爬虫BeautifulSoup快速抓取网站图片(1个评论)
    • vscode 配置 python3开发环境的方法(0个评论)
    • 近期文章
    • 在go中实现一个常用的先进先出的缓存淘汰算法示例代码(0个评论)
    • 在go+gin中使用"github.com/skip2/go-qrcode"实现url转二维码功能(0个评论)
    • 在go语言中使用api.geonames.org接口实现根据国际邮政编码获取地址信息功能(1个评论)
    • 在go语言中使用github.com/signintech/gopdf实现生成pdf分页文件功能(0个评论)
    • gmail发邮件报错:534 5.7.9 Application-specific password required...解决方案(0个评论)
    • 欧盟关于强迫劳动的规定的官方举报渠道及官方举报网站(0个评论)
    • 在go语言中使用github.com/signintech/gopdf实现生成pdf文件功能(0个评论)
    • Laravel从Accel获得5700万美元A轮融资(0个评论)
    • 在go + gin中gorm实现指定搜索/区间搜索分页列表功能接口实例(0个评论)
    • 在go语言中实现IP/CIDR的ip和netmask互转及IP段形式互转及ip是否存在IP/CIDR(0个评论)
    • 近期评论
    • 122 在

      学历:一种延缓就业设计,生活需求下的权衡之选中评论 工作几年后,报名考研了,到现在还没认真学习备考,迷茫中。作为一名北漂互联网打工人..
    • 123 在

      Clash for Windows作者删库跑路了,github已404中评论 按理说只要你在国内,所有的流量进出都在监控范围内,不管你怎么隐藏也没用,想搞你分..
    • 原梓番博客 在

      在Laravel框架中使用模型Model分表最简单的方法中评论 好久好久都没看友情链接申请了,今天刚看,已经添加。..
    • 博主 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 @1111老铁这个不行了,可以看看近期评论的其他文章..
    • 1111 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 网站不能打开,博主百忙中能否发个APP下载链接,佛跳墙或极光..
    • 2016-10
    • 2016-11
    • 2018-04
    • 2020-03
    • 2020-04
    • 2020-05
    • 2020-06
    • 2022-01
    • 2023-07
    • 2023-10
    Top

    Copyright·© 2019 侯体宗版权所有· 粤ICP备20027696号 PHP交流群

    侯体宗的博客