学以致用:Python爬取廖大Python教程制作pdf！

学以致用:Python爬取廖大Python教程制作pdf！

python-tutorial-pdf

当我学了廖大的Python教程后，感觉总得做点什么，正好自己想随时查阅，于是就开始有了制作PDF这个想法。

想要把教程变成PDF有三步：

1. 先生成空html，爬取每一篇教程放进一个新生成的div，这样就生成了包含所有教程的html文件(BeautifulSoup)
2. 将html转换成pdf(wkhtmltopdf)
3. 由于廖大是写教程的，反爬做的比较好，在爬取的过程中还需要代理ip(免费 or 付费)

学以致用:Python爬取廖大Python教程制作pdf！

BeautifulSoup

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.

安装

pip3 install BeautifulSoup4
 

开始使用

将一段文档传入 BeautifulSoup 的构造方法,就能得到一个文档的对象, 可以传入一段字符串或一个文件句柄.

如下所示：

from bs4 import BeautifulSoup
 soup = BeautifulSoup(open("index.html"))
 soup = BeautifulSoup("data")
 

• 首先,文档被转换成Unicode,并且HTML的实例都被转换成Unicode编码.
• 然后,Beautiful Soup选择最合适的解析器来解析这段文档,如果手动指定解析器那么Beautiful Soup会选择指定的解析器来解析文档.

对象的种类

Beautiful Soup 将复杂 HTML 文档转换成一个复杂的树形结构,每个节点都是 Python 对象,所有对象可以归纳为 4 种: Tag , NavigableString , BeautifulSoup , Comment .

• Tag：通俗点讲就是 HTML 中的一个个标签，类似 div，p。
• NavigableString：获取标签内部的文字，如，soup.p.string。
• BeautifulSoup：表示一个文档的全部内容。
• Comment：Comment 对象是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号.

Tag

Tag就是html中的一个标签，用BeautifulSoup就能解析出来Tag的具体内容，具体的格式为soup.name,其中name是html下的标签，具体实例如下：

• print soup.title输出title标签下的内容，包括此标签，这个将会输出

• print soup.head输出head标签下的内容

如果 Tag 对象要获取的标签有多个的话，它只会返回所以内容中第一个符合要求的标签。

Tag 属性

每个 Tag 有两个重要的属性 name 和 attrs：

• name：对于Tag，它的name就是其本身，如soup.p.name就是p
• attrs是一个字典类型的，对应的是属性-值，如print soup.p.attrs,输出的就是{'class': ['title'], 'name': 'dromouse'},当然你也可以得到具体的值，如print soup.p.attrs['class'],输出的就是[title]是一个列表的类型，因为一个属性可能对应多个值,当然你也可以通过get方法得到属性的，如：print soup.p.get('class')。还可以直接使用print soup.p['class']

get

get方法用于得到标签下的属性值，注意这是一个重要的方法，在许多场合都能用到，比如你要得到标签下的图像url,那么就可以用soup.img.get('src'),具体解析如下：

# 得到第一个p标签下的src属性
 print soup.p.get("class")
 

string

得到标签下的文本内容，只有在此标签下没有子标签，或者只有一个子标签的情况下才能返回其中的内容，否则返回的是None具体实例如下：

# 在上面的一段文本中p标签没有子标签，因此能够正确返回文本的内容
 print soup.p.string
 
 
这里得到的就是None,因为这里的html中有很多的子标签
 
 
print soup.html.string
 

get_text()

可以获得一个标签中的所有文本内容，包括子孙节点的内容，这是最常用的方法。

搜索文档树

BeautifulSoup 主要用来遍历子节点及子节点的属性，通过Tag取属性的方式只能获得当前文档中的第一个 tag，例如，soup.p。如果想要得到所有的

标签,或是通过名字得到比一个 tag 更多的内容的时候,就需要用到 find_all()

find_all(name, attrs, recursive, text, **kwargs )
 

find_all是用于搜索节点中所有符合过滤条件的节点。

name参数：是Tag的名字，如p,div,title

# 1. 节点名
 print(soup.find_all('p'))
 
 
2. 正则表达式
 
 
print(soup.find_all(re.compile('^p')))
 
 
3. 列表
 
 
print(soup.find_all(['p', 'a']))
 

另外 attrs 参数可以也作为过滤条件来获取内容，而 limit 参数是限制返回的条数。

CSS 选择器

以 CSS 语法为匹配标准找到 Tag。同样也是使用到一个函数，该函数为select()，返回类型是 list。它的具体用法如下：

# 1. 通过 tag 标签查找
 print(soup.select(head))
 
 
2. 通过 id 查找
 
 
print(soup.select('#link1'))
 
 
3. 通过 class 查找
 
 
print(soup.select('.sister'))
 
 
4. 通过属性查找
 
 
print(soup.select('p[name=dromouse]'))
 
 
5. 组合查找
 
 
print(soup.select("body p"))
 

wkhtmltopdf

• wkhtmltopdf主要用于HTML生成PDF。
• pdfkit是基于wkhtmltopdf的python封装，支持URL，本地文件，文本内容到PDF的转换，其最终还是调用wkhtmltopdf命令。

安装

先安装wkhtmltopdf，再安装pdfkit。

1. https://wkhtmltopdf.org/downloads.html
2. pdfkit
3. shell pip3 install pdfkit

转换url/file/string

import pdfkit
 pdfkit.from_url('http://google.com', 'out.pdf')
 pdfkit.from_file('index.html', 'out.pdf')
 pdfkit.from_string('Hello!', 'out.pdf')
 

转换url或者文件名列表

pdfkit.from_url(['google.com', 'baidu.com'], 'out.pdf')
 pdfkit.from_file(['file1.html', 'file2.html'], 'out.pdf')
 

转换打开文件

with open('file.html') as f:
 pdfkit.from_file(f, 'out.pdf')
 

自定义设置

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'),
 ],
 'no-outline': None,
 'outline-depth': 10,
 }
 pdfkit.from_url('http://google.com', 'out.pdf', options=options)
 

使用代理ip

爬取十几篇教程之后触发了这个错误：

学以致用:Python爬取廖大Python教程制作pdf！

503

看来廖大的反爬虫做的很好，于是只好使用代理ip了，尝试了免费的西刺免费代理后，最后选择了付费的 阿布云 ，感觉响应速度和稳定性还OK。

运行结果

运行过程截图：

学以致用:Python爬取廖大Python教程制作pdf！

运行过程

生成的效果图：

学以致用:Python爬取廖大Python教程制作pdf！

效果图

代码如下：

import time
 import pdfkit
 import requests
 from bs4 import BeautifulSoup
 
 
使用 阿布云代理
 
 
可以选择不使用或是其他代理
 
 
def get_soup(target_url):
 proxy_host = "http-dyn.abuyun.com"
 proxy_port = "9020"
 proxy_user = "你的用户"
 proxy_pass = "你的密码"
 proxy_meta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
 "host": proxy_host,
 "port": proxy_port,
 "user": proxy_user,
 "pass": proxy_pass,
 }
 proxies = {
 "http": proxy_meta,
 "https": proxy_meta,
 }
 headers = {'User-Agent':
 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'}
 flag = True
 while flag:
 try:
 resp = requests.get(target_url, proxies=proxies, headers=headers)
 flag = False
 except Exception as e:
 print(e)
 time.sleep(0.4)
 soup = BeautifulSoup(resp.text, 'html.parser')
 return soup
 def get_toc(url):
 soup = get_soup(url)
 toc = soup.select("#x-wiki-index a")
 print(toc[0]['href'])
 return toc
 
 
⬇️教程html
 
 
def download_html(url, depth):
 soup = get_soup(url)
 
 
处理目录
 
 
if int(depth) <= 1:
 depth = '1'
 elif int(depth) >= 2:
 depth = '2'
 title = soup.select(".x-content h4")[0]
 new_title = BeautifulSoup('' + title.string + '', 'html.parser')
 print(new_title)
 
 
加载图片
 
 
images = soup.find_all('img')
 for x in images:
 x['src'] = x['data-src']
 div_content = soup.find('div', class_='x-wiki-content')
 return new_title, div_content
 def convert_pdf(template):
 html_file = "python-tutorial-pdf.html"
 with open(html_file, mode="w", encoding="utf8") as code:
 code.write(str(template))
 pdfkit.from_file(html_file, 'python-tutorial-pdf.pdf')
 if name == 'main':
 
 
html 模板
 
 
template = BeautifulSoup(
 '         ',
 'html.parser')
 
 
教程目录
 
 
toc = get_toc('https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000')
 for i, x in enumerate(toc):
 url = 'https://www.liaoxuefeng.com' + x['href']
 
 
⬇️教程html
 
 
content = download_html(url, x.parent['depth'])
 
 
往template添加新的教程
 
 
new_div = template.new_tag('div', id=i)
 template.body.insert(3 + i, new_div)
 new_div.insert(3, content[0])
 new_div.insert(3, content[1])
 time.sleep(0.4)
 convert_pdf(template)