Python爬虫初学者教程（八）：如何抓取论坛文章并转换为PDF文件？
- 内容介绍
- 文章标签
- 相关推荐
本文共计838个文字，预计阅读时间需要4分钟。
前言+本文的文字及图片来源于网络，仅供学习、交流使用，不具备任何商业用途。如有问题，请及时联系我进行处理。正文+Python爬虫新手入门教程（一）：爬取豆瓣电影排行信息+Py
前言
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。
前文内容
Python爬虫新手入门教学（一）：爬取豆瓣电影排行信息
Python爬虫新手入门教学（二）：爬取小说
Python爬虫新手入门教学（三）：爬取链家二手房数据
Python爬虫新手入门教学（四）：爬取前程无忧招聘信息
Python爬虫新手入门教学（五）：爬取B站视频弹幕
Python爬虫新手入门教学（六）：制作词云图
Python爬虫新手入门教学（七）：爬取腾讯视频弹幕
基本开发环境
- Python 3.6
- Pycharm
- wkhtmltopdf
相关模块的使用
- pdfkit
- requests
- parsel
安装Python并添加到环境变量，pip安装需要的相关模块即可。
一、目标需求
将CSDN这上面的文章内容爬取保存下来，保存成PDF的格式。
二、网页数据分析
如果想要把网页文章内容保存成PDF，首先你要下载一个软件wkhtmltopdf不然你是没有办法实现的。可以自行去百度搜索下载，也可以找上面的交流群下载。
前几篇文章已经讲了，关于文字方面的爬取方式，对于爬取文本内容还是没有难度了吧。
想要获取文章内容，首先就要爬取每篇文章的url地址。
具体分析的流程之前的文章也有分享过，这里就跳过了。
python爬取CSDN博客文章并制作成PDF文件
完整实现代码
import pdfkitimport requests
import parsel
html_str = """
<!doctype html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Document</title>
</head>
<body>
{article}
</body>
</html>
"""
def save(article, title):
pdf_path = 'pdf\\' + title + '.pdf'
html_path = 'html\\' + title + '.html'
html = html_str.format(article=article)
with open(html_path, mode='w', encoding='utf-8') as f:
f.write(html)
print('{}已下载完成'.format(title))
# exe 文件存放的路径
config = pdfkit.configuration(wkhtmltopdf='C:\\Program Files\\wkhtmltopdf\\bin\\wkhtmltopdf.exe')
# 把 html 通过 pdfkit 变成 pdf 文件
pdfkit.from_file(html_path, pdf_path, configuration=config)
def main(html_url):
# 请求头
headers = {
"Host": "blog.csdn.net",
"Referer": "blog.csdn.net/qq_41359265/article/details/102570971",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36",
}
# 用户信息
cookie = {
'Cookie': '你自己的cookie'
}
response = requests.get(url=html_url, headers=headers, cookies=cookie)
selector = parsel.Selector(response.text)
urls = selector.css('.article-list h4 a::attr(href)').getall()
for html_url in urls:
response = requests.get(url=html_url, headers=headers, cookies=cookie)
# text 文本（字符串）
# 遭遇了反扒
# print(response.text)
"""如何把 HTML 变成 PDF 格式"""
# 提取文章部分
sel = parsel.Selector(response.text)
# css 选择器
article = sel.css('article').get()
title = sel.css('h1::text').get()
save(article, title)
if __name__ == '__main__':
url = 'blog.csdn.net/fei347795790/article/list/1'
main(url)
本文共计838个文字，预计阅读时间需要4分钟。
前言+本文的文字及图片来源于网络，仅供学习、交流使用，不具备任何商业用途。如有问题，请及时联系我进行处理。正文+Python爬虫新手入门教程（一）：爬取豆瓣电影排行信息+Py
前言
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。
前文内容
Python爬虫新手入门教学（一）：爬取豆瓣电影排行信息
Python爬虫新手入门教学（二）：爬取小说
Python爬虫新手入门教学（三）：爬取链家二手房数据
Python爬虫新手入门教学（四）：爬取前程无忧招聘信息
Python爬虫新手入门教学（五）：爬取B站视频弹幕
Python爬虫新手入门教学（六）：制作词云图
Python爬虫新手入门教学（七）：爬取腾讯视频弹幕
基本开发环境
- Python 3.6
- Pycharm
- wkhtmltopdf
相关模块的使用
- pdfkit
- requests
- parsel
安装Python并添加到环境变量，pip安装需要的相关模块即可。
一、目标需求
将CSDN这上面的文章内容爬取保存下来，保存成PDF的格式。
二、网页数据分析
如果想要把网页文章内容保存成PDF，首先你要下载一个软件wkhtmltopdf不然你是没有办法实现的。可以自行去百度搜索下载，也可以找上面的交流群下载。
前几篇文章已经讲了，关于文字方面的爬取方式，对于爬取文本内容还是没有难度了吧。
想要获取文章内容，首先就要爬取每篇文章的url地址。
具体分析的流程之前的文章也有分享过，这里就跳过了。
python爬取CSDN博客文章并制作成PDF文件
完整实现代码
import pdfkitimport requests
import parsel
html_str = """
<!doctype html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Document</title>
</head>
<body>
{article}
</body>
</html>
"""
def save(article, title):
pdf_path = 'pdf\\' + title + '.pdf'
html_path = 'html\\' + title + '.html'
html = html_str.format(article=article)
with open(html_path, mode='w', encoding='utf-8') as f:
f.write(html)
print('{}已下载完成'.format(title))
# exe 文件存放的路径
config = pdfkit.configuration(wkhtmltopdf='C:\\Program Files\\wkhtmltopdf\\bin\\wkhtmltopdf.exe')
# 把 html 通过 pdfkit 变成 pdf 文件
pdfkit.from_file(html_path, pdf_path, configuration=config)
def main(html_url):
# 请求头
headers = {
"Host": "blog.csdn.net",
"Referer": "blog.csdn.net/qq_41359265/article/details/102570971",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36",
}
# 用户信息
cookie = {
'Cookie': '你自己的cookie'
}
response = requests.get(url=html_url, headers=headers, cookies=cookie)
selector = parsel.Selector(response.text)
urls = selector.css('.article-list h4 a::attr(href)').getall()
for html_url in urls:
response = requests.get(url=html_url, headers=headers, cookies=cookie)
# text 文本（字符串）
# 遭遇了反扒
# print(response.text)
"""如何把 HTML 变成 PDF 格式"""
# 提取文章部分
sel = parsel.Selector(response.text)
# css 选择器
article = sel.css('article').get()
title = sel.css('h1::text').get()
save(article, title)
if __name__ == '__main__':
url = 'blog.csdn.net/fei347795790/article/list/1'
main(url)