用Python制作电子书

转载： 奔跑的鳄鱼 菜鸟学Python

菜鸟学Python累计写了400多篇文章，其中的入门干货非常多。但是技术类文章含有很多代码、公式、图片等，即使爬到了内容阅读体验也很差。如果能整理成电子书该多好啊，可以系统的阅读！想到了万能的Python,于是把我的上的“菜鸟学python”进行爬取，效果还不错。

总体思路是获取文章列表和URL、对每篇文章进行滚动截屏、图片处理和拼接、图片转换为pdf、将多个pdf文件进行合并成一个文档并添加标签，由于涉及内容较多决定分两篇文章来进行阐述。

1.爬取列表页课程大纲

1)建立sitemap

使用webscraper前最好把开发者模式调到页面底部，这样看起来方便，按下图所示依次选择web scraper——create new sitemap——create sitemap选项，建立sitemap。

image

在对应位置输入sitemap名称和起始页URL即可完成创建（下图）

image

2).选择爬取对象

在这一步要做的主要就是选择爬取目标，与我们自己写爬虫时用的选择器功能类似。对本次任务来说，我们只需要获取文章名称、文章URL和发布时间（发布时间主要用于文章排序和筛选）。

点击“add new selector”按钮新建选择器，下图中的ID是选择器名称，Type是要取的数据类型，比如text、link等等。

• 首先要获取容器列表，然后才能在对应的容器中提取目标数据，另外由于中的列表页是滚动加载的，所以我们这里选择的类型为element scroll down

• 如果需要多选，multiple一定要勾选，这样只要连续选择前两个目标就会自动选定所有同类项（图中红色区域）

• 对于element scroll down来说，delay是滚动间隔延时，具体数值可以根据自己网络情况设置，但是不能为0，否则无法获取到页面滚动后加载的页面数据；

• parent是当前选择器的父节点，这里选择root

image

之后就可以在刚才选定的element的基础上选择目标数据了，因为文章标题、URL、发布时间三项数据的获取方式基本相同，我们仅以文章标题为例进行演示:

• 文章标题需要获取的是文字内容，Type栏当然选择text；

• 需要注意的是，每条数据（比如每个标题、URL）都有各自对应的父节点element（图中黄色部分），所以这里的“multiple”选项不要勾选；

• parent selectors当然是选择刚才建立的element scroll down了;

• 其他选项使用默认值就可以，最后点击左下角的save selector即可完成操作。

image

补充一点关于selector选择的技巧：在点击select按键后会出现一个显示栏，通常使用鼠标选择目标元素然后点击Done selecting按钮即可。

但是有些目标元素自带页面跳转功能，这时可以勾选显示栏中的Enable key选项，显示栏会变成下图中的样子，之后就可以使用快捷键（S\P\C）进行元素选择了。

image.gif

3).爬取数据

在爬取数据之前，我们可以进入sitemap （name）下的selector graph页面，在这里可以比较直观地看到选择器的结构，如果爬虫层次比较多、结构比较复杂，为了避免不必要的错误，爬取前可以通过这种方式进行检查。

image.gif

现在我们正式开始爬取数据，进入sitemap （name）下的scrape页面，设置访问和页面加载延时（下图），点击start scraping开始爬取。

image

由于数据量很小，爬取工作几秒钟就能完成，结果如下，可以通过sitemap （name）下的export data as CSV选项将数据以csv文件格式导出。不过webscraper获取到的数据是乱序的，因此我们才需要获取文章的发布时间，并以此为依据进行排序。

image

****2.使用selenium进行页面截图****

1).获取文章列表

在这一步需要获取文章名列表和文章地址列表，其中文章名称用于设置文件名、建立标签（后面会讲到），文章地址用于访问文章的详情页。通过pandas可以很方便地从csv文件中获取相关信息，代码如下：

image

由于当本年度发表的文章其发布时间一栏没有年份，所以在数据清洗的时候要进行补全，之后才能按时间顺序对数据进行排序；另外有些文章名中含有“|”、“：”这种无法作为文件名的字符，需要去掉；在这一步还可以对文章进行筛选，比如可以只选择发表时间为2018年的文章。

2).文章页截图

说起网页截图不得不提PhantomJS，可惜它对JS的支持不够好，有时候会出现取不到真实数据的问题，所以我们还是使用Chrome。Chrome最大的问题是不支持截长图，只能采用逐一截取当前显示区域图片再拼接的方式获取文章内容。

文章内容元素的高度在selenium中可以使用选定元素的size属性来获取，而当前窗口的显示高度只能通过JS代码来获取，幸运的是selenium的execute_script方法允许python执行给定的JS指令，这种方法同样可以用于页面翻动操作，具体代码如下：

image.gif

需要注意的是，execute_script执行的js代码和主线程代码是同步运行的，为了保证程序同步可以加一个小小的延时。接下来写一个入口函数，获取文章列表并为每篇文章建立独立文件夹，然后进行滚动截图，截取的图片保存到相应的文件夹内。

来看几张截取到的图片，可以发现每张图的顶部都飘着一条的“横幅”，不但影响阅读体验，还遮挡住了一部分文章内容。

image

3).截图优化

发现问题就要改正问题，页面顶部的“横幅”栏是最初没有考虑到的，为了防止文章内容被遮挡，需要调整页面每次翻动的步长，通过减小每次翻动的距离来防止未截图的内容被遮挡，顶部栏元素的高度获取方式与文章内容元素的获取方式相同。直接来看改动后的代码：

image

上面的代码不但获取了页面顶部栏的高度，还顺便获取了文章两侧的空白宽度，这个参数可以用于将文章内容两侧多余的部分去除，可以说是为后期的图片处理做的准备。