前言??
本文的文字及圖片來源于網路,僅供學習、交流使用,不具有任何商業用途,如有問題請及時聯系我們以作處理，
前文內容??
Python爬蟲入門教程01：豆瓣Top電影爬取
Python爬蟲入門教程02：小說爬取
Python爬蟲入門教程03：二手房資料爬取
Python爬蟲入門教程04：招聘資訊爬取
Python爬蟲入門教程05：B站視頻彈幕的爬取
Python爬蟲入門教程06：爬取資料后的詞云圖制作
Python爬蟲入門教程07：騰訊視頻彈幕爬取
PS：如有需要 Python學習資料 以及 解答 的小伙伴可以加點擊下方鏈接自行獲取
python免費學習資料以及群交流解答點擊即可加入
基本開發環境??
- Python 3.6
- Pycharm
- wkhtmltopdf
相關模塊的使用??
- pdfkit
- requests
- parsel
安裝Python并添加到環境變數，pip安裝需要的相關模塊即可，
一、??目標需求
將CSDN這上面的文章內容爬取保存下來，保存成PDF的格式，
二、??網頁資料分析
如果想要把網頁文章內容保存成PDF，首先你要下載一個軟體 wkhtmltopdf 不然你是沒有辦法實作的，可以自行去百度搜索下載，也可以找上面的 交流群 下載，
前幾篇文章已經講了，關于文字方面的爬取方式，對于爬取文本內容還是沒有難度了吧，
想要獲取文章內容，首先就要爬取每篇文章的url地址，
具體分析的流程之前的文章也有分享過，這里就跳過了，
python爬取CSDN博客文章并制作成PDF檔案
??完整實作代碼
import pdfkit
import 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('{}已下載完成'.format(title))
# exe 檔案存放的路徑
config = pdfkit.configuration(wkhtmltopdf='C:\\Program Files\\wkhtmltopdf\\bin\\wkhtmltopdf.exe')
# 把 html 通過 pdfkit 變成 pdf 檔案
pdfkit.from_file(html_path, pdf_path, configuration=config)
def main(html_url):
# 請求頭
headers = {
"Host": "blog.csdn.net",
"Referer": "https://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",
}
# 用戶資訊
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（字串）
# 遭遇了反扒
# print(response.text)
"""如何把 HTML 變成 PDF 格式"""
# 提取文章部分
sel = parsel.Selector(response.text)
# css 選擇器
article = sel.css('article').get()
title = sel.css('h1::text').get()
save(article, title)
if __name__ == '__main__':
url = 'https://blog.csdn.net/fei347795790/article/list/1'
main(url)
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/252901.html
標籤：Python