[入门级项目]采集《python进阶》教程

首发于：https://mp.weixin.qq.com/s/Xo7StWY0VS2aEQi-52FNlA

前言

• 难度：入门级
• python版本：3.7
• 主要收获：爬虫经验+100；python经验+100

主要会用到python和爬虫技术，入门级项目，偏简单，适合新人练手，看这个之前最好是对python和爬虫有一些了解

需求

需求名称：采集《python进阶》教程

网页：https://docs.pythontab.com/interpy/

需求：采集网页上的所有进阶内容，并整理成文档

采集具体的进阶教程内容即可

image-20210802093127854

需求分析

我们看下需求，需要采集的东西并不是很多，我们先打开网页看一下

image-20210802102638145

看下目录，数据量不是很多

大致数了一下就几十个页面，这很少了

对应下需求，根据经验，列下我们需要解决的一些问题

1. 单页面抓取问题
2. 多页面url获取问题
3. 整理成文档

单页面抓取问题

这个问题其实就是看下抓取页面的请求构造

我们先找下源代码中是否有包含我们所需要的数据

在页面上找个稍微特殊的词

image-20210802103417912

比如说 “小清新”

键盘按下ctrl+U查看下源代码

在按下ctrl+F，查找“小清新”

image-20210802153104421

可以看到，源码中就直接有我们所需要的数据，那么可以判断，这八成就是一个get请求

如果没有反爬，那就比较简单了

直接构建一个最简单的get请求试一下

import requests 
r = requests.get('https://docs.pythontab.com/interpy/')
print(r.text)
print(r)

运行一下，打印输出的是有我们需要的数据（由于太多就不贴了），完美！

多页面url获取问题

我们可以看到所需要采集的页面几十个，并不是很多，就需求目标而言，我们其实是可以一个个的复制下来，但是这样没有技术范儿，而且如果说我们采集的页面很多呢，几百几千，甚至几十万，手动复制的效率实在过于低下

我们打开网页

可以看到有个Next按钮

image-20210802172512198

这里就有下一页的url

我们跳到最后一页，就会发现Next没有了

image-20210802172620936

那么我们是不是就可以通过这种方式来拿到各个页面的url

我们一直去提Next按钮获取下一页的url，直到最后一页，没有Next，判断结束

整理成文档

本来想将抓取到的内容(去标签)保存成txt的，然后在转成pdf格式，好看一些

不过由于保存的内容没有格式，转换后并不好看，所以决定不去标签，直接存成html文件

然后在转换成pdf

这里有个在线的将html转成pdf，还是满好用的：https://www.aconvert.com/cn/ebook/

代码实现

逻辑理清了，代码实现就比较简单了

直接上下代码

import requests 
from lxml import etree
from urllib import parse
def get_html(url):
    """网页采集数据，并保存到文件中

    Args:
        url (str): 待采集的url

    Returns:
        str: 下一页的url
    """
    r = requests.get(url)
    html = etree.HTML(r.text)
    content = html.xpath('//div[@role="main"]')
    content0 = etree.tostring(content[0])
    # print(content0)
    with open("python进阶教程.html","ab+") as f:
        f.write(content0)
    _next = html.xpath("//a[contains(text(),'Next »')]/@href")
    if not _next:
        return ''
    nexturl = parse.urljoin(url,_next[0])
    print(nexturl)
    return nexturl
url = 'https://docs.pythontab.com/interpy/'
while 1:
    url = get_html(url)
    if not url:
        break 

运行代码会在当前目录生成一个python进阶教程.html文件

打开看一眼

image-20210803112015159

还是可以的，不过我这里把它转换成更通用的pdf类型

html转换成pdf

先打开在线转换的网页：https://www.aconvert.com/cn/ebook/

选择html文件

选择转换的目标格式

点击转换

下载文件

image-20210803112358497

打开pdf看一下

image-20210803112606427

格式还是很完美的！

注：

其实python有个pdfkit库，可以将一个html转换成pdf，有兴趣的朋友可以尝试下

关注我获取更多内容