本文實例講述了Python實現抓取HTML網頁并以PDF文件形式保存的方法。分享給大家供大家參考，具體如下：
一、前言
今天介紹將HTML網頁抓取下來，然后以PDF保存，廢話不多說直接進入教程。
今天的例子以廖雪峰老師的Python教程網站為例：http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000
二、準備工作
1. PyPDF2的安裝使用（用來合并PDF）：
PyPDF2版本：1.25.1
https://pypi.python.org/pypi/PyPDF2/1.25.1
或
https://github.com/mstamy2/PyPDF2
安裝：
pip install PyPDF2
使用示例：
from PyPDF2 import PdfFileMergermerger = PdfFileMerger()input1 = open("hql_1_20.pdf", "rb")input2 = open("hql_21_40.pdf", "rb")merger.append(input1)merger.append(input2)# Write to an output PDF documentoutput = open("hql_all.pdf", "wb")merger.write(output)2. requests、beautifulsoup 是爬蟲兩大神器，reuqests 用于網絡請求，beautifusoup 用于操作 html 數據。有了這兩把梭子，干起活來利索。scrapy 這樣的爬蟲框架我們就不用了，這樣的小程序派上它有點殺雞用牛刀的意思。此外，既然是把 html 文件轉為 pdf，那么也要有相應的庫支持， wkhtmltopdf 就是一個非常的工具，它可以用適用于多平臺的 html 到 pdf 的轉換，pdfkit 是 wkhtmltopdf 的Python封裝包。首先安裝好下面的依賴包
pip install requestspip install beautifulsoup4pip install pdfkit
3. 安裝 wkhtmltopdf
Windows平臺直接在 http://wkhtmltopdf.org/downloads.html 下載穩定版的 wkhtmltopdf 進行安裝，安裝完成之后把該程序的執行路徑加入到系統環境 $PATH 變量中，否則 pdfkit 找不到 wkhtmltopdf 就出現錯誤 “No wkhtmltopdf executable found”。Ubuntu 和 CentOS 可以直接用命令行進行安裝
$ sudo apt-get install wkhtmltopdf # ubuntu$ sudo yum intsall wkhtmltopdf # centos
三、數據準備
1. 獲取每篇文章的url
def get_url_list(): """ 獲取所有URL目錄列表 :return: """ response = requests.get("http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000") soup = BeautifulSoup(response.content, "html.parser") menu_tag = soup.find_all(class_="uk-nav uk-nav-side")[1] urls = [] for li in menu_tag.find_all("li"): url = "http://www.liaoxuefeng.com" + li.a.get('href') urls.append(url) return urls2. 通過文章url用模板保存每篇文章的HTML文件
html模板：
html_template = """<!DOCTYPE html><html lang="en"><head> <meta charset="UTF-8"></head><body>{content}</body></html>"""進行保存：
def parse_url_to_html(url, name): """ 解析URL，返回HTML內容 :param url:解析的url :param name: 保存的html文件名 :return: html """ try: response = requests.get(url) soup = BeautifulSoup(response.content, 'html.parser') # 正文 body = soup.find_all(class_="x-wiki-content")[0] # 標題 title = soup.find('h4').get_text() # 標題加入到正文的最前面，居中顯示 center_tag = soup.new_tag("center") title_tag = soup.new_tag('h1') title_tag.string = title center_tag.insert(1, title_tag) body.insert(1, center_tag) html = str(body) # body中的img標簽的src相對路徑的改成絕對路徑 pattern = "(<img .*?src=/")(.*?)(/")" def func(m): if not m.group(3).startswith("http"): rtn = m.group(1) + "http://www.liaoxuefeng.com" + m.group(2) + m.group(3) return rtn else: return m.group(1)+m.group(2)+m.group(3) html = re.compile(pattern).sub(func, html) html = html_template.format(content=html) html = html.encode("utf-8") with open(name, 'wb') as f: f.write(html) return name except Exception as e: logging.error("解析錯誤", exc_info=True)
新聞熱點
疑難解答
