python實現csdn全部博文下載並轉PDF

Posted on by

我們學習編程，在學習的時候，會有想把有用的知識點保存下來，我們可以把知識點的內容爬下來轉變成pdf格式，方便我們拿手機可以閑時翻看，是很方便的

先來一個單個的博文下載轉pdf格式的操作

在這裡插入圖片描述

python中將html轉化為pdf的常用工具是Wkhtmltopdf工具包，在python環境下，pdfkit是這個工具包的封裝類。如何使用pdfkit以及如何配置呢？分如下幾個步驟。

下載wkhtmltopdf安裝包，並且安裝到電腦上。
下載地址：https://wkhtmltopdf.org/downloads.html

在這裡插入圖片描述

我下的是這個版本，安裝的時候要記住路徑，之後調用要用到路徑

在這裡插入圖片描述

開發工具

  • python
  • pycharm
  • pdfkit （pip install pdfkit）
  • lxml

今天目標：博主的全部博文下載，並且轉pdf格式保存

基本思路：

1、url + headers
2、分析網頁： CSDN網頁是靜態網頁， 請求獲取網頁源代碼
3、lxml解析獲取boke_urls, author_name
4、循環遍歷，得到 boke_url
5、xpath解析獲取文件名
6、css選擇器獲取標簽文本的主體
7、構造拼接html文件
8、保存html文件
9、文件的轉換

分析網頁： CSDN網頁是靜態網頁， 請求獲取網頁源代碼
start_url =“https://i1bit.blog.csdn.net/” 為例
確定網址為同步加載

在這裡插入圖片描述

css選擇器獲取標簽文本的主體為代碼要點部分
css語法部分

# css選擇器獲取標簽文本的主體
        html_css = parsel.Selector(response_2)
        html_content = html_css.css('article').get()
# 構造拼接html文件
        html = \
            '''
                <!DOCTYPE html>
                    <html lang="en">
                    <head>
                        <meta charset="UTF-8">
                        <title>Title</title>
                    </head>
                    <body>
                        {}
                    </body>
                </html>
            '''.format(html_content)

點開博主的一篇博文打開開發者工具

在這裡插入圖片描述

# css選擇器獲取標簽文本的主體
        html_css = parsel.Selector(response_2)
        html_content = html_css.css('article').get()
# 構造拼接html文件
        html = \
            '''
                <!DOCTYPE html>
                    <html lang="en">
                    <head>
                        <meta charset="UTF-8">
                        <title>Title</title>
                    </head>
                    <body>
                        {}
                    </body>
                </html>
            '''.format(html_content)

文件的轉換

   config = pdfkit.configuration(wkhtmltopdf=r'這裡為下載wkhtmltopdf.exe的路徑')
            pdfkit.from_file(
                第一個參數要轉變的html文件,
                第二個參數轉變後的pdf文件,
                configuration=config
            ) 
            # 上面這樣寫清楚一點，也可以直接
            pdfkit.from_file(
                第一個參數要轉變的html文件,
                第二個參數轉變後的pdf文件,
            configuration=pdfkit.configuration(wkhtmltopdf=r'這裡為下載wkhtmltopdf.exe的路徑')
            )

源碼展示：

import parsel, os, pdfkit
from lxml import etree
from requests_html import HTMLSession
session = HTMLSession()



def main():
    # 1、url + headers
    start_url = input(r'請輸入csdn博主的地址：')
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 '
                      '(KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'
    }

    # 2、分析網頁： CSDN網頁是靜態網頁， 請求獲取網頁源代碼
    response_1 = session.get(start_url, headers=headers).text


    # 3、解析獲取boke_urls, author_name
    html_xpath_1 = etree.HTML(response_1)

    author_name = html_xpath_1.xpath(r'//*[@id="floor-user-profile_485"]/div/div[1]/div[2]/div[2]/div[1]/div[1]/text()')[0]

    boke_urls = html_xpath_1.xpath(r'//article[@class="blog-list-box"]/a/@href')


    # 4、循環遍歷，得到 boke_url
    for boke_url in boke_urls:

        # 5、請求
        response_2 = session.get(boke_url, headers=headers).text

        # 6、xpath解析獲取文件名
        html_xpath_2 = etree.HTML(response_2)
        file_name = html_xpath_2.xpath(r'//h1[@id="articleContentId"]/text()')[0]


        # 7、css選擇器獲取標簽文本的主體
        html_css = parsel.Selector(response_2)
        html_content = html_css.css('article').get()

        # 8、構造拼接html文件
        html = \
            '''
                <!DOCTYPE html>
                    <html lang="en">
                    <head>
                        <meta charset="UTF-8">
                        <title>Title</title>
                    </head>
                    <body>
                        {}
                    </body>
                </html>
            '''.format(html_content)

        # 9、創建兩個文件夾， 一個用來保存html 一個用來保存pdf文件
        if not os.path.exists(r'{}-html'.format(author_name)):
            os.mkdir(r'{}-html'.format(author_name))

        if not os.path.exists(r'{}-pdf'.format(author_name)):
            os.mkdir(r'{}-pdf'.format(author_name))

        # 10、保存html文件
        try:
            with open(r'{}-html/{}.html'.format(author_name, file_name), 'w', encoding='utf-8') as f:
                f.write(html)
        except Exception as e:
            print('文件名錯誤')

        # 11、文件的轉換
        try:
            config = pdfkit.configuration(wkhtmltopdf=r'C:\Program Files\wkhtmltopdf\bin\wkhtmltopdf.exe')
            pdfkit.from_file(
                '{}-html/{}.html'.format(author_name, file_name),
                '{}-pdf/{}.pdf'.format(author_name, file_name),
                configuration=config
            )
            a = print(r'--文件下載成功：{}.pdf'.format(file_name))

        except Exception as e:
            continue


if __name__ == '__main__':
   main()

代碼操作：

在這裡插入圖片描述

到此這篇關於python實現csdn全部博文下載並轉PDF的文章就介紹到這瞭,更多相關python 博文下載並轉PDF內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：