抓取网页生成电子书( 全篇的实现思路分析网页学会使用BeautifulSoup库爬取并导出参考资料)

　　抓取网页生成电子书(

全篇的实现思路分析网页学会使用BeautifulSoup库爬取并导出参考资料)

　　Python 抓取网页并将其转换为 PDF 文件

　　爬行动物的成因

　　虽然可以查阅官方文件或手册，但如果是纸质的，是不是更容易阅读和记忆。如果是简单的复制粘贴，不知道什么时候能完成。于是我开始考虑爬下安卓官方手册。

　　整篇文章的实现思路

　　分析网页，学习使用BeautifulSoup库爬取导出

　　参考：

　　* 将廖雪峰的教程转换成PDF电子书

　　* 请求文件

　　* 美丽的汤文档

　　配置

　　Ubuntu下使用Pycharm成功运行

　　要转换PDF，您需要下载wkhtmltopdf

　　具体流程

　　网页分析

　　如下图的一个网页，要做的就是获取网页的body和title，以及左侧导航栏的所有url

　　

　　接下来的工作是找到这些标签......

　　关于请求的使用

　　详细参考文档，这里只是简单的使用Requests获取html并使用代理翻墙（网站不能直接访问，需要VPN）

　　

proxies={

"http":"http://vpn的IP:port",

"https":"https://vpn的IP:port",

}

response=requests.get(url,proxies=proxies)

　　美汤的使用

　　参考资料中有一个 Beautiful Soup 文档。看完可以知道有两件事：一是找标签，二是修改标签。

　　这篇文章需要做的是：

　　1. 获取标题和所有url，这涉及到查找标签

　　

#对标签进行判断，一个标签含有href而不含有description，则返回true

#而我希望获取的是含有href属性而不含有description属性的<a>标签，（且只有a标签含有href）

def has_href_but_no_des(tag):

return tag.has_attr('href') and not tag.has_attr('description')

#网页分析，获取网址和标题

def parse_url_to_html(url):

response=requests.get(url,proxies=proxies)

soup=BeautifulSoup(response.content,"html.parser")

s=[]#获取所有的网址

title=[]#获取对应的标题

tag=soup.find(id="nav")#获取第一个id为"nav"的标签，这个里面包含了网址和标题

for i in tag.find_all(has_href_but_no_des):

s.append(i['href'])

title.append(i.text)

#获取的只是标签集，需要加html前缀

htmls = ""

with open("android_training_3.html",'a') as f:

f.write(htmls)

　　解析上面得到的URL，获取文本，取出图片保存在本地；它涉及查找标签和修改属性

　　

#网页操作，获取正文及图片

def get_htmls(urls,title):

for i in range(len(urls)):

response=requests.get(urls[i],proxies=proxies)

soup=BeautifulSoup(response.content,"html.parser")

htmls=""+str(i)+"."+title[i]+""

tag=soup.find(class_='jd-descr')

#为image添加相对路径，并下载图片

for img in tag.find_all('img'):

im = requests.get(img['src'], proxies=proxies)

filename = os.path.split(img['src'])[1]

with open('image/' + filename, 'wb') as f:

f.write(im.content)

img['src']='image/'+filename

htmls=htmls+str(tag)

with open("android_training_3.html",'a') as f:

f.write(htmls)

print(" (%s) [%s] download end"%(i,title[i]))

htmls=""

with open("android_training_3.html",'a') as f:

f.write(htmls)

　　2.转换为PDF

　　这一步需要下载wkhtmltopdf，在Windows下执行程序总是报错。你可以在 Ubuntu 下完成

　　

def save_pdf(html):

"""

把所有html文件转换成pdf文件

"""

options = {

'page-size': 'Letter',

'encoding': "UTF-8",

'custom-header': [

('Accept-Encoding', 'gzip')

]

}

pdfkit.from_file(html, "android_training_3.pdf", options=options)

　　最终效果图

　　

　　以上就是本文的全部内容。希望对大家的学习有所帮助，也希望大家多多支持来客网。