Python实现抓取HTML网页并以PDF文件形式保存的方法

小灰灰 2023-07-17 15:40 1阅读 0赞

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。  
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

或

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)

1.  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

1.  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

1.  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)

1.  把html转换成pdfdef 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)

1.  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()

推荐我们的Python学习扣qun：913066266 ，看看前辈们是如何学习的！从基础的python脚本到web开发、爬虫、django、数据挖掘等【PDF，实战源码】，零基础到项目实战的资料都有整理。送给每一位python的小伙伴！每天都有大牛定时讲解Python技术，分享一些学习的方法和需要注意的小细节，[点击加入][Link 1]我们的 python学习者聚集地

[Link 1]: https://jq.qq.com/?_wv=1027&k=5JIjRvv