Python抓取网页内容并输出PDF文件

环境:pytho3.5.1

import requests
import os
import time
import random
import re
import pdfkit
from bs4 import BeautifulSoup
from lxml import html

def get_text(url):
    # 获取url的内容,调用频率极高
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36'}
    response = requests.get(url, headers=headers)
    response.encoding = 'utf-8'
    return response.text

def clean_str(string):
    # 创建文件时候去掉特殊字符,防止创建失败
    return re.sub(r'\n|\s', '', string)

def analysis_text(url):
    # 核心方法,获取需要的html信息,以方便重新组合形成新的html文件,注意是带上标签的
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36'}
    text = get_text(url)
    soup = BeautifulSoup(text, 'html.parser')

    try:
        title = soup.find_all('h1')[0]
        main_text = soup.find_all(id="arc-body")[0]
        file_name = re.findall('<h1>(.*?)</h1>', text)[0]
        file_name = clean_str(file_name)
        imgs = re.findall('<img .*?src=\"(.*?)\"', text)
        for i in imgs:
            if '?' not in i:
                name = i.split('/')[-1]
                with open(name, 'wb') as img:
                    img.write(requests.get(
                        'http://c.biancheng.net' + i, headers=headers).content)
        main_text = re.sub(r'/uploads/allimg/\d+/', '', str(main_text))
    except IndexError as i:
        print(i, 'Information error!', sep=': ')
        title = ''
        main_text = ''
        file_name = ''
    return title, main_text, file_name

def write_html(url):
    # 形成新的HTML文件
    title, main_text, file_name = analysis_text(url)
    with open(file_name + '.html', 'w', encoding='utf-8') as ht:
        ht.write(str(title))
        ht.write(str(main_text))
    return file_name

def write_pdf(count, url):
    # 将html文件写入pdf, 注意的是参数与使用方法
    file_name = write_html(url)
    options = {
        'page-size': 'Letter',
        'encoding': "UTF-8",
        'margin-top': '0.75in',
        'margin-right': '0.75in',
        'margin-bottom': '0.75in',
        'margin-left': '0.75in',
        'no-outline': None,
        'custom-header': [
            ('Accept-Encoding', 'gzip')
        ]
    }
    path_wk = r'C:\Program Files\wkhtmltopdf\bin\wkhtmltopdf.exe'  # wkhtmltopdf安装位置
    config = pdfkit.configuration(wkhtmltopdf=path_wk)
    pdfkit.from_file(file_name + '.html', file_name + '.pdf',
                     options=options, configuration=config)


def clean_dir():
    # 爬取过程会生成很多缓存文件,爬取完成后一并清除
    fpath = os.getcwd()
    for file in os.listdir(fpath):
        if '.gif' in file or '.html' in file or '.jpg' in file:
            os.remove(os.path.join(fpath, file))

def get_urls_xpath(start_url):
    # 获取需要爬取的链接并检查格式
    text = get_text(start_url)
    etree = html.etree
    ehtml = etree.HTML(text)
    hrefs = ehtml.xpath('//div[@id="sidebar"]//dd/a/@href')
    for i in range(len(hrefs)):
        if 'http' not in hrefs[i] :
            hrefs[i] = 'http://c.biancheng.net' + hrefs[i]
    return hrefs


if __name__ == '__main__':
    start_url = 'http://c.biancheng.net/tensorflow/'
    urls = get_urls_xpath(start_url)
    for count, url in enumerate(urls):
        time.sleep(random.random())
        write_pdf(count + 1, url)
        clean_dir()

LINK1
LINK2

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,185评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,445评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,684评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,564评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,681评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,874评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,025评论 3 408
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,761评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,217评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,545评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,694评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,351评论 4 332
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,988评论 3 315
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,778评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,007评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,427评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,580评论 2 349

推荐阅读更多精彩内容