基于Python实现网页文章转PDF文档
作者:嗨学编程 时间:2022-08-23 08:50:17
我们有时候看到一篇好的文章,想去保存下来,传统方式一般是收藏书签、复制粘贴到文档或者直接复制链接保存,但这样一次两次还好,数量多了,比较麻烦不说,还可能不好找~
这个时候,Python的作用就来了,直接抓下来导出为PDF,直接把整个网站的内容都导下来都行~
话不多说,我们直接上代码!
import requests
import parsel
import pdfkit
import os
import re
html_str = """
<!doctype html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Document</title>
</head>
<body>
{article}
</body>
</html>
"""
def change_title(title):
"""
替换标题中的特殊字符
:param title: 传入文章标题
:return: 返回一个替换掉特殊字符的标题
"""
"""
使用re.compile()将正则表达式的字符串形式编译为一个对象,通过该对象提供的一些列方法对文本
进行匹配查找
re.sub() 第一个参数对应的正则表达式,第二个参数为要替换成的字符串, 第三个参数为源字符串
"""
pattern = re.compile(r"[\/\\\:\*\?\"\<\>\|]") # '/ \ : * ? " < > |'
new_title = re.sub(pattern, "_", title) # 替换为下划线
return new_title
for page in range(1, 11):
"""
发送请求的url地址,唯一资源定位符
headers: 请求头 把python伪装成浏览器对服务器发送请求, 然后服务器会给我们返回一个响应数据
请求头所加的参数都是可以在开发者工具中的headers里面的request headers中找到的
比如 user-agent:代表着浏览器的信息
cookies:用户的信息 常用于检测是否有登陆账号
host:域名
referer:常说的防盗链,告诉服务器是从哪个网页跳转过来的
请求方式:可以通过开发者工具中headers里面的数据看到是什么样的请求方式
get请求: 是可以直接从服务器上面获取数据
post请求:需要向服务器发送一个数据 比如说(搜索/登陆)
response:响应对象
状态码: 200表示请求成功 300:重定向 跳转 400:通常是url网址不对 500 一般是服务器问题
获取网页文本数据 response.text 获取网页json字典数据 response.json() 获取网页二进制数据 response.content
"""
url = 'https://****/qdPython/article/list/{page}'
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
"""
url里面的****替换为blog.csdn.net即可
把 html 字符串数据转换成一个 Selector 对象
Selector 就具有一系列数据解析的方法 css/xpath/re
类选择器 都是使用圆点.开头
ID选择器 是使用#开头
属性选择器:
::text获取标签里面的文本数据
::attr(xxx) 获取标签内某一个属性的数据
get() 从 Selector 对象中提取第一个数据, 直接返回字符串数据给我们
getall() 从 Selector 对象中提取提取所有数据, 返回一个列表
"""
selector = parsel.Selector(response.text)
href = selector.css('.article-list div.article-item-box a::attr(href)').getall()
for link in href:
response_1 = requests.get(url=link, headers=headers)
selector_1 = parsel.Selector(response_1.text)
title = selector_1.css('#articleContentId::text').get()
content = selector_1.css('#content_views').get()
new_title = change_title(title)
# 创建文件保存地址以及保存文件的名字 和格式
pdf_path = 'pdf\\' + new_title + '.pdf'
html_path = 'pdf\\' + new_title + '.html'
# str.format() 字符串格式化方法
html = html_str.format(article=content)
"""
with open 打开文件时, 当文件对象引用完毕之后会自动关闭文件
html_path:文件保存路径以及名字格式
mode:保存方式 w 写入 如果你不写mode默认是r 读
encoding: 编码
as f 重命名 可以自定义
f = open()
f.writer()
f.close()
"""
with open(html_path, mode='w', encoding='utf-8') as f:
f.write(html)
print('正在保存:', title)
# exe 文件存放的路径
config = pdfkit.configuration(wkhtmltopdf='C:\\Program Files\\wkhtmltopdf\\bin\\wkhtmltopdf.exe')
# 把 html 通过 pdfkit 变成 pdf 文件
pdfkit.from_file(html_path, pdf_path, configuration=config)
os.remove(html_path)
兄弟们快去试试吧!
来源:https://blog.csdn.net/fei347795790/article/details/124965768
标签:Python,网页文章,PDF
0
投稿
猜你喜欢
python GUI库图形界面开发之PyQt5表格控件QTableView详细使用方法与实例
2023-02-13 23:39:27
如何通过python计算圆周率PI
2021-01-24 10:29:25
使用Tensorboard工具查看Loss损失率
2022-04-17 12:50:30
JS数组方法concat()用法实例分析
2024-04-29 14:08:20
Django 查询数据库并返回页面的例子
2024-01-15 20:08:37
如何获取Python简单for循环索引
2023-11-17 13:50:08
在cmd中运行.py文件: python的操作步骤
2021-10-01 08:40:47
SQL注入攻击成为新威胁将挑战操作系统安全
2009-03-16 15:13:00
基于python 处理中文路径的终极解决方法
2023-07-21 00:47:09
Python读取和存储yaml文件的方法
2023-03-26 10:23:44
Oracle、MySQL和SqlServe三种数据库分页查询语句的区别介绍
2024-01-15 08:48:41
在Python下进行UDP网络编程的教程
2021-10-16 08:08:20
vue监听路由变化时watch方法会执行多次的原因及解决
2024-05-05 09:10:24
python实现简单石头剪刀布游戏
2023-03-08 03:23:44
SqlServer中的日期与时间函数
2011-11-03 17:12:34
基于python对B站收藏夹按照视频发布时间进行排序的问题
2022-01-02 11:11:31
MYSQL初学者使用指南[适用自己安装mysql者]
2007-08-06 14:53:00
支持png透明图片的php生成缩略图类分享
2023-11-18 07:26:13
python模块中pip命令的基本使用
2023-09-28 22:44:20
JScript RuntimeObject检测全局污染
2010-09-13 12:26:00