爬虫新手入门教学(八):爬取论坛文章保存成PDF"/>
Python爬虫新手入门教学(八):爬取论坛文章保存成PDF
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。
Python爬虫、数据分析、网站开发等案例教程视频免费在线观看
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 pdfkit
import requests
import parselhtml_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","Referer": "","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 = ''main(url)
更多推荐
Python爬虫新手入门教学(八):爬取论坛文章保存成PDF
发布评论