我們學習編程，在學習的時候，會有想把有用的知識點保存下來，我們可以把知識點的內容爬下來轉變成pdf格式，方便我們拿手機可以閑時翻看，是很方便的
先來一個單個的博文下載轉pdf格式的操作
python中將html轉化為pdf的常用工具是Wkhtmltopdf工具包，在python環境下，pdfkit是這個工具包的封裝類。如何使用pdfkit以及如何配置呢？分如下幾個步驟。
下載wkhtmltopdf安裝包，并且安裝到電腦上。
下載地址：https://wkhtmltopdf.org/downloads.html
我下的是這個版本，安裝的時候要記住路徑，之后調用要用到路徑
開發工具
- python
- pycharm
- pdfkit （pip install pdfkit）
- lxml
今天目標：博主的全部博文下載，并且轉pdf格式保存
基本思路：
1、url + headers
2、分析網頁： CSDN網頁是靜態網頁， 請求獲取網頁源代碼
3、lxml解析獲取boke_urls, author_name
4、循環遍歷，得到 boke_url
5、xpath解析獲取文件名
6、css選擇器獲取標簽文本的主體
7、構造拼接html文件
8、保存html文件
9、文件的轉換
分析網頁： CSDN網頁是靜態網頁， 請求獲取網頁源代碼
start_url =“https://i1bit.blog.csdn.net/” 為例
確定網址為同步加載
css選擇器獲取標簽文本的主體為代碼要點部分
css語法部分
# css選擇器獲取標簽文本的主體
html_css = parsel.Selector(response_2)
html_content = html_css.css('article').get()
# 構造拼接html文件
html = \
'''
!DOCTYPE html>
html lang="en">
head>
meta charset="UTF-8">
title>Title/title>
/head>
body>
{}
/body>
/html>
'''.format(html_content)
點開博主的一篇博文打開開發者工具
# css選擇器獲取標簽文本的主體
html_css = parsel.Selector(response_2)
html_content = html_css.css('article').get()
# 構造拼接html文件
html = \
'''
!DOCTYPE html>
html lang="en">
head>
meta charset="UTF-8">
title>Title/title>
/head>
body>
{}
/body>
/html>
'''.format(html_content)
文件的轉換
config = pdfkit.configuration(wkhtmltopdf=r'這里為下載wkhtmltopdf.exe的路徑')
pdfkit.from_file(
第一個參數要轉變的html文件,
第二個參數轉變后的pdf文件,
configuration=config
)
# 上面這樣寫清楚一點，也可以直接
pdfkit.from_file(
第一個參數要轉變的html文件,
第二個參數轉變后的pdf文件,
configuration=pdfkit.configuration(wkhtmltopdf=r'這里為下載wkhtmltopdf.exe的路徑')
)
源碼展示：
import parsel, os, pdfkit
from lxml import etree
from requests_html import HTMLSession
session = HTMLSession()
def main():
# 1、url + headers
start_url = input(r'請輸入csdn博主的地址：')
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 '
'(KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'
}
# 2、分析網頁： CSDN網頁是靜態網頁， 請求獲取網頁源代碼
response_1 = session.get(start_url, headers=headers).text
# 3、解析獲取boke_urls, author_name
html_xpath_1 = etree.HTML(response_1)
author_name = html_xpath_1.xpath(r'//*[@id="floor-user-profile_485"]/div/div[1]/div[2]/div[2]/div[1]/div[1]/text()')[0]
boke_urls = html_xpath_1.xpath(r'//article[@class="blog-list-box"]/a/@href')
# 4、循環遍歷，得到 boke_url
for boke_url in boke_urls:
# 5、請求
response_2 = session.get(boke_url, headers=headers).text
# 6、xpath解析獲取文件名
html_xpath_2 = etree.HTML(response_2)
file_name = html_xpath_2.xpath(r'//h1[@id="articleContentId"]/text()')[0]
# 7、css選擇器獲取標簽文本的主體
html_css = parsel.Selector(response_2)
html_content = html_css.css('article').get()
# 8、構造拼接html文件
html = \
'''
!DOCTYPE html>
html lang="en">
head>
meta charset="UTF-8">
title>Title/title>
/head>
body>
{}
/body>
/html>
'''.format(html_content)
# 9、創建兩個文件夾， 一個用來保存html 一個用來保存pdf文件
if not os.path.exists(r'{}-html'.format(author_name)):
os.mkdir(r'{}-html'.format(author_name))
if not os.path.exists(r'{}-pdf'.format(author_name)):
os.mkdir(r'{}-pdf'.format(author_name))
# 10、保存html文件
try:
with open(r'{}-html/{}.html'.format(author_name, file_name), 'w', encoding='utf-8') as f:
f.write(html)
except Exception as e:
print('文件名錯誤')
# 11、文件的轉換
try:
config = pdfkit.configuration(wkhtmltopdf=r'C:\Program Files\wkhtmltopdf\bin\wkhtmltopdf.exe')
pdfkit.from_file(
'{}-html/{}.html'.format(author_name, file_name),
'{}-pdf/{}.pdf'.format(author_name, file_name),
configuration=config
)
a = print(r'--文件下載成功：{}.pdf'.format(file_name))
except Exception as e:
continue
if __name__ == '__main__':
main()
代碼操作：
到此這篇關于python實現csdn全部博文下載并轉PDF的文章就介紹到這了,更多相關python 博文下載并轉PDF內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- python解析PDF程序代碼
- Python合并多張圖片成PDF
- Python提取PDF指定內容并生成新文件
- 詳解用Python把PDF轉為Word方法總結
- python操作mysql、excel、pdf的示例
- python pdfkit 中文亂碼問題的解決方案
- python 三種方法提取pdf中的圖片
- Python實現給PDF添加水印的方法
- Python讀取pdf表格寫入excel的方法
- Python 多張圖片合并成一個pdf的參考示例
