基於Python實現網頁文章轉PDF檔案

2022-05-25 22:01:50

我們有時候看到一篇好的文章，想去儲存下來，傳統方式一般是收藏書籤、複製貼上到檔案或者直接複製連結儲存，但這樣一次兩次還好，數量多了，比較麻煩不說，還可能不好找~

這個時候，Python的作用就來了，直接抓下來匯出為PDF，直接把整個網站的內容都導下來都行~

話不多說，我們直接上程式碼！

import requests
import parsel
import pdfkit
import os
import re


html_str = """
<!doctype html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Document</title>
</head>
<body>
{article}
</body>
</html>
"""


def change_title(title):
    """
    替換標題中的特殊字元
    :param title: 傳入文章標題
    :return: 返回一個替換掉特殊字元的標題
    """
    """
    使用re.compile()將正規表示式的字串形式編譯為一個物件，通過該物件提供的一些列方法對文字
    進行匹配查詢
    re.sub() 第一個引數對應的正規表示式，第二個引數為要替換成的字串， 第三個引數為源字串
    """
    pattern = re.compile(r"[/\:*?"<>|]")  # '/  : * ? " < > |'
    new_title = re.sub(pattern, "_", title)  # 替換為下劃線
    return new_title


for page in range(1, 11):
    """
    傳送請求的url地址，唯一資源定位符
    headers: 請求頭 把python偽裝成瀏覽器對伺服器傳送請求， 然後伺服器會給我們返回一個響應資料
        請求頭所加的引數都是可以在開發者工具中的headers裡面的request headers中找到的
        比如 user-agent：代表著瀏覽器的資訊
            cookies：使用者的資訊 常用於檢測是否有登陸賬號
            host：域名
            referer：常說的防盜鏈，告訴伺服器是從哪個網頁跳轉過來的
    請求方式：可以通過開發者工具中headers裡面的資料看到是什麼樣的請求方式
        get請求： 是可以直接從伺服器上面獲取資料
        post請求：需要向伺服器傳送一個資料 比如說(搜尋/登陸)
    response：響應物件
    狀態碼： 200表示請求成功 300：重定向 跳轉 400：通常是url網址不對 500 一般是伺服器問題
    獲取網頁文字資料 response.text 獲取網頁json字典資料 response.json() 獲取網頁二進位制資料 response.content
    """
    url = 'https://****/qdPython/article/list/{page}'
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Safari/537.36'
    }
    response = requests.get(url=url, headers=headers)
    """
    url裡面的****替換為blog.csdn.net即可
    把 html 字串資料轉換成一個 Selector 物件
    Selector 就具有一系列資料解析的方法  css/xpath/re
    類選擇器 都是使用圓點.開頭
    ID選擇器 是使用#開頭
    屬性選擇器：
        ::text獲取標籤裡面的文字資料
        ::attr(xxx) 獲取標籤內某一個屬性的資料
        get() 從 Selector 物件中提取第一個資料, 直接返回字串資料給我們
        getall() 從 Selector 物件中提取提取所有資料, 返回一個列表
    """
    selector = parsel.Selector(response.text)
    href = selector.css('.article-list div.article-item-box a::attr(href)').getall()
    for link in href:
        response_1 = requests.get(url=link, headers=headers)
        selector_1 = parsel.Selector(response_1.text)
        title = selector_1.css('#articleContentId::text').get()
        content = selector_1.css('#content_views').get()
        new_title = change_title(title)
        # 建立檔案儲存地址以及儲存檔案的名字 和格式
        pdf_path = 'pdf\' + new_title + '.pdf'
        html_path = 'pdf\' + new_title + '.html'
        # str.format() 字串格式化方法
        html = html_str.format(article=content)
        """
        with open   開啟檔案時, 當檔案物件參照完畢之後會自動關閉檔案
        html_path：檔案儲存路徑以及名字格式 
        mode：儲存方式 w 寫入 如果你不寫mode預設是r 讀
        encoding： 編碼
        as f 重新命名 可以自定義
        f = open()
        f.writer()
        f.close()
        """
        with open(html_path, mode='w', encoding='utf-8') as f:
            f.write(html)
            print('正在儲存：', title)
        # exe 檔案存放的路徑
        config = pdfkit.configuration(wkhtmltopdf='C:\Program Files\wkhtmltopdf\bin\wkhtmltopdf.exe')
        # 把 html 通過 pdfkit 變成 pdf 檔案
        pdfkit.from_file(html_path, pdf_path, configuration=config)
        os.remove(html_path)

兄弟們快去試試吧！

到此這篇關於基於Python實現網頁文章轉PDF檔案的文章就介紹到這了,更多相關Python網頁文章轉PDF內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！

基於Python實現網頁文章轉PDF檔案

熱門文章