Python 爬蟲：把廖雪峯的教程轉換成 PDF 電子書

寫爬蟲彷佛沒有比用 Python 更合適了，Python 社區提供的爬蟲工具多得讓你眼花繚亂，各類拿來就能夠直接用的 library 分分鐘就能夠寫出一個爬蟲出來，今天就琢磨着寫一個爬蟲，將廖雪峯的 Python 教程 爬下來作成 PDF 電子書方便你們離線閱讀。

開始寫爬蟲前，咱們先來分析一下該網站1的頁面結構，網頁的左側是教程的目錄大綱，每一個 URL 對應到右邊的一篇文章，右側上方是文章的標題，中間是文章的正文部分，正文內容是咱們關心的重點，咱們要爬的數據就是全部網頁的正文部分，下方是用戶的評論區，評論區對咱們沒什麼用，因此能夠忽略它。

工具準備

弄清楚了網站的基本結構後就能夠開始準備爬蟲所依賴的工具包了。requests、beautifulsoup 是爬蟲兩大神器，reuqests 用於網絡請求，beautifusoup 用於操做 html 數據。有了這兩把梭子，幹起活來利索，scrapy 這樣的爬蟲框架咱們就不用了，小程序派上它有點殺雞用牛刀的意思。此外，既然是把 html 文件轉爲 pdf，那麼也要有相應的庫支持， wkhtmltopdf 就是一個很是好的工具，它能夠用適用於多平臺的 html 到 pdf 的轉換，pdfkit 是 wkhtmltopdf 的Python封裝包。首先安裝好下面的依賴包，接着安裝 wkhtmltopdf

pip install requests
pip install beautifulsoup
pip install pdfkit複製代碼

安裝 wkhtmltopdf

Windows平臺直接在 wkhtmltopdf 官網2下載穩定版的進行安裝，安裝完成以後把該程序的執行路徑加入到系統環境 $PATH 變量中，不然 pdfkit 找不到 wkhtmltopdf 就出現錯誤 「No wkhtmltopdf executable found」。Ubuntu 和 CentOS 能夠直接用命令行進行安裝

$ sudo apt-get install wkhtmltopdf  # ubuntu
$ sudo yum intsall wkhtmltopdf      # centos複製代碼

爬蟲實現

一切準備就緒後就能夠上代碼了，不過寫代碼以前仍是先整理一下思緒。程序的目的是要把全部 URL 對應的 html 正文部分保存到本地，而後利用 pdfkit 把這些文件轉換成一個 pdf 文件。咱們把任務拆分一下，首先是把某一個 URL 對應的 html 正文保存到本地，而後找到全部的 URL 執行相同的操做。

用 Chrome 瀏覽器找到頁面正文部分的標籤，按 F12 找到正文對應的 div 標籤： <div class="x-wiki-content">，該 div 是網頁的正文內容。用 requests 把整個頁面加載到本地後，就可使用 beautifulsoup 操做 HTML 的 dom 元素 來提取正文內容了。

具體的實現代碼以下：用 soup.find_all 函數找到正文標籤，而後把正文部分的內容保存到 a.html 文件中。

def parse_url_to_html(url):
    response = requests.get(url)
    soup = BeautifulSoup(response.content, "html5lib")
    body = soup.find_all(class_="x-wiki-content")[0]
    html = str(body)
    with open("a.html", 'wb') as f:
        f.write(html)複製代碼

第二步就是把頁面左側全部 URL 解析出來。採用一樣的方式，找到 左側菜單標籤 <ul class="uk-nav uk-nav-side">

具體代碼實現邏輯：由於頁面上有兩個uk-nav uk-nav-side的 class 屬性，而真正的目錄列表是第二個。全部的 url 獲取了，url 轉 html 的函數在第一步也寫好了。

def get_url_list():
    """ 獲取全部URL目錄列表 """
    response = requests.get("http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000")
    soup = BeautifulSoup(response.content, "html5lib")
    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複製代碼

最後一步就是把 html 轉換成pdf文件了。轉換成 pdf 文件很是簡單，由於 pdfkit 把全部的邏輯都封裝好了，你只須要調用函數 pdfkit.from_file

def save_pdf(htmls):
    """ 把全部html文件轉換成pdf文件 """
    options = {
        'page-size': 'Letter',
        'encoding': "UTF-8",
        'custom-header': [
            ('Accept-Encoding', 'gzip')
        ]
    }
    pdfkit.from_file(htmls, file_name, options=options)複製代碼

執行 save_pdf 函數，電子書 pdf 文件就生成了，效果圖：

總結

總共代碼量加起來不到50行，不過，且慢，其實上面給出的代碼省略了一些細節，好比，如何獲取文章的標題，正文內容的 img 標籤使用的是相對路徑，若是要想在 pdf 中正常顯示圖片就須要將相對路徑改成絕對路徑，還有保存下來的 html 臨時文件都要刪除，這些細節末葉都放在github上。

完整代碼能夠上github下載 ，代碼在 Windows 平臺親測有效，歡迎 fork 下載本身改進。github 地址3，GitHub訪問不了的同窗能夠用碼雲4， 《廖雪峯的 Python 教程》電子書 PDF 文件能夠經過關注本公衆號『一個程序員的微站』回覆 「pdf」 免費下載閱讀。

本文首發於公衆號『一個程序員的微站』（id:VTtalk），分享 Python 乾貨和有溫度的內容
博客地址：foofish.net/python-craw…

一個程序員的微站