Python实现抓取HTML网页并以PDF文件形式保存的方法

作者:Limerence 时间:2022-12-15 22:56:30 

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

https://github.com/mstamy2/PyPDF2

安装:


pip install PyPDF2

使用示例:


from PyPDF2 import PdfFileMerger
merger = 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 document
output = 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 requests
pip install beautifulsoup4
pip 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-8
import os
import re
import time
import logging
import pdfkit
import requests
from bs4 import BeautifulSoup
from PyPDF2 import PdfFileMerger
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:
   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 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)
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。

来源:https://blog.csdn.net/hubaoquanu/article/details/66973149

标签:Python,HTML,PDF文件
0
投稿

猜你喜欢

  • Python OpenGL绘制一场烟花盛会

    2021-02-08 06:12:44
  • 解决Python报错:ValueError:operands could not be broadcast together with shapes

    2021-05-14 12:04:53
  • element-plus中如何实现按需导入与全局导入

    2024-05-02 17:04:21
  • 可能是最全面的 Python 字符串拼接总结【收藏】

    2023-10-06 14:29:20
  • 关于网站导航设计的探讨

    2008-02-28 13:20:00
  • 利用PyQt5生成过年春联

    2023-05-23 21:14:22
  • Laravel中常见的错误与解决方法小结

    2023-09-09 19:38:37
  • python之OpenCV的作用以及安装案例教程

    2021-11-27 07:14:20
  • asp阻止中国ip访问访问

    2011-09-13 12:55:37
  • Python中的异常处理学习笔记

    2023-06-26 05:04:29
  • 使用Javascript简单计算器

    2024-04-29 13:37:15
  • mysql语句如何插入含单引号或反斜杠的值详解

    2024-01-13 03:30:03
  • python调用HEG工具批量处理MODIS数据的方法及注意事项

    2021-11-18 06:53:20
  • 在应用环境中如何构造最优的数据库模式

    2009-04-01 14:28:00
  • SQL Server中通过reverse取某个最后一次出现的符号后面的内容(字符串反转)

    2012-07-11 15:59:36
  • python简单商城购物车实例代码

    2022-10-28 02:16:37
  • 使用matplotlib画散点图的方法

    2022-07-30 20:49:54
  • MYSQL中varchar和TEXT的相关问题详析

    2024-01-23 00:58:42
  • CSS布局之浮动(二)三列浮动

    2008-08-19 12:47:00
  • Python生成一个迭代器的实操方法

    2022-05-08 09:34:32
  • asp之家 网络编程 m.aspxhome.com