用python实现csdn博主全部博文下载,html转pdf ,有了学习的电子书了。 。 。(附源码)

我们学习编程 ,在学习的时候,会有想把有用的知识点保存下来,我们可以把知识点的内容爬下来转变成pdf格式 ,方便我们拿手机可以闲时翻看,是很方便的

先来一个单个的博文下载转pdf格式的操作


python中将html转化为pdf的常用工具是Wkhtmltopdf工具包,在python环境下 ,pdfkit是这个工具包的封装类。如何使用pdfkit以及如何配置呢?分如下几个步骤。
下载wkhtmltopdf安装包,并且安装到电脑上 。
下载地址:https://wkhtmltopdf.org/downloads.html

我下的是这个版本,安装的时候要记住路径 ,之后调用要用到路径

开发工具

python
pycharm
pdfkit (pip install pdfkit)
lxml

今天目标:博主的全部博文下载,并且转pdf格式保存

基本思路:
1、url + headers
2 、分析网页: CSDN网页是静态网页, 请求获取网页源代码
3 、lxml解析获取boke_urls, author_name
4、循环遍历 ,得到 boke_url
5、xpath解析获取文件名
6 、css选择器获取标签文本的主体
7、构造拼接html文件
8、保存html文件
9 、文件的转换

分析网页: CSDN网页是静态网页, 请求获取网页源代码
start_url =“https://i1bit.blog.csdn.net/ ” 为例
确定网址为同步加载

css选择器获取标签文本的主体为代码要点部分
css语法部分

	html_css = parsel.Selector(响应的数据)
    html_content = html_css.css('要获取的部分').get()

点开博主的一篇博文打开开发者工具

# css选择器获取标签文本的主体
        html_css = parsel.Selector(response_2)
        html_content = html_css.css('article').get()
# 构造拼接html文件
        html = \
            '''
                <!DOCTYPE html>
                    <html lang="en">
                    <head>
                        <meta charset="UTF-8">
                        <title>Title</title>
                    </head>
                    <body>
                        {}
                    </body>
                </html>
            '''.format(html_content)

文件的转换

   config = pdfkit.configuration(wkhtmltopdf=r'这里为下载wkhtmltopdf.exe的路径')
            pdfkit.from_file(
                第一个参数要转变的html文件,
                第二个参数转变后的pdf文件,
                configuration=config
            ) 
            # 上面这样写清楚一点,也可以直接
            pdfkit.from_file(
                第一个参数要转变的html文件,
                第二个参数转变后的pdf文件,
            configuration=pdfkit.configuration(wkhtmltopdf=r'这里为下载wkhtmltopdf.exe的路径')
            )

源码展示:

import parsel, os, pdfkit
from lxml import etree
from requests_html import HTMLSession
session = HTMLSession()



def main():
    # 1、url + headers
    start_url = input(r'请输入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、分析网页: CSDN网页是静态网页	, 请求获取网页源代码
    response_1 = session.get(start_url, headers=headers).text


    # 3	、解析获取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、循环遍历,得到 boke_url
    for boke_url in boke_urls:

        # 5、请求
        response_2 = session.get(boke_url, headers=headers).text

        # 6	、xpath解析获取文件名
        html_xpath_2 = etree.HTML(response_2)
        file_name = html_xpath_2.xpath(r'//h1[@id="articleContentId"]/text()')[0]


        # 7、css选择器获取标签文本的主体
        html_css = parsel.Selector(response_2)
        html_content = html_css.css('article').get()

        # 8、构造拼接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	、创建两个文件夹, 一个用来保存html 一个用来保存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('文件名错误')

        # 11、文件的转换
        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'--文件下载成功:{}.pdf'.format(file_name))

        except Exception as e:
            continue


if __name__ == '__main__':
   main()

代码操作:

代码有很多不完善的地方,欢迎评论一起讨论 ,感谢各位支持,之后我会发很多爬虫系列的博文,希望可以关注我哦!!!

祝大家学习python顺利!

文章来源于网络 ,如有侵权请联系站长QQ61910465删除
本文版权归去快排wWw.seogUrublog.com 所有,如有转发请注明来出,竞价开户托管,seo优化请联系qq❉61910465