欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

为了学爬虫,我用三步爬取了大佬崔庆才爬虫相关文章,并保持为pdf学习

程序员文章站 2022-04-26 21:11:25
为了学习网络爬虫,我爬取了网络爬虫届大佬崔庆才的所有Python博客,并转换成了pdf,以便后续学习。1.代码思路获取所有博客的URL获得每篇博客的html内容,并转化为pdf文件合并pdf文件2.获取所有博客URL首先,通过崔老师的博客网站可知,目前Python博客内容包含7页,如下图通过这些博客分类页面,很方面就能获得每篇博客的网址,代码如下:#获取所有URLdef get_url(): url_list = [] for i in range(7,0,-1):...

为了学习网络爬虫,我爬取了网络爬虫届大佬崔庆才的所有Python博客,并转换成了pdf,以便后续学习。

1.代码思路

  1. 获取所有博客的URL
  2. 获得每篇博客的html内容,并转化为pdf文件
  3. 合并pdf文件

2.获取所有博客URL

首先,通过崔老师的博客网站可知,目前Python博客内容包含7页,如下图
为了学爬虫,我用三步爬取了大佬崔庆才爬虫相关文章,并保持为pdf学习
通过这些博客分类页面,很方面就能获得每篇博客的网址,代码如下:

#获取所有URL
def get_url():
    url_list = []
    for i in range(7,0,-1):
        if(i==1):
            url = "https://cuiqingcai.com/categories/Python"
        else:
            url = "https://cuiqingcai.com/categories/Python/page/{number}/".format(number=str(i))
        driver.get(url)
        time.sleep(5)
        soup = BeautifulSoup(driver.page_source,'lxml')
        soup = soup.find('div',class_='posts-collapse').find_all('article')
        for a in soup[::-1]:
            url_list.append('https://cuiqingcai.com' + a.find('a',class_='post-title-link')['href'])
    return url_list

3.将每篇博客内容保存为PDF

在将博客内容保存为pdf的过程中,主要使用Python的pdfkit扩展包,pdfkit扩展包能够非常方便的将网页内容或者HTML以及字符串等保存为pdf文件。
pdfkit直接使用pip install pdfkit语句安装即可。
pdfkit扩展包的使用是基于wkhtmltopdf应用程序的,因此在此之前需要先下载安装wkhtmltopdf,安装完成之后需要将其添加的环境变量中,或者在使用pdfkit时以参数的形式指明该程序的路径。
wkhtmltopdf稳定版下载地址:https://wkhtmltopdf.org/downloads.html
将博客内容保存为pdf的具体代码如下:

def html_to_pdf(url_list,html_template,options,config):
    for artical_url in url_list:
        driver.get(artical_url)
        time.sleep(5)
        soup = BeautifulSoup(driver.page_source,'lxml')
        title = soup.find('h1',class_='post-title')
        body = soup.find('div',class_='post-body')
        
        body.find('div',class_='advertisements').clear()#去除带css格式的广告
        
        html = html_template.format(title=title,content=body)
        
        print(title,':',artical_url)
#         print(html)
        try:
            pdfkit.from_string(html, r"D:\toPDF\{name}.pdf".format(name=title.getText()),configuration=config,options=options)
        except OSError:
            pass
        print('文章:',title,'已转化为PDF')

4.合并pdf文件

python中,可以使用PyPDF2扩展包非常方便的合并pdf文件,使用pip install PyPDF2即可安装该扩展包。

def merge_pdf(file_path):
    merger = PdfFileMerger()
    for root, dirs, files in os.walk(file_path):  
        files = files 
    for file in files:
        print(file)
        inputPDF = open(file_path + '\\' + file, "rb")
        merger.append(inputPDF,import_bookmarks=False)
        inputPDF.close()
    output = open(r"D:\toPDF\allPdfMerge.pdf", "wb")
    merger.write(output)   

5.完整代码

通过上面几个步骤就完成了对博客的爬取,以及转换成最终的pdf,完成代码如下:

from selenium import webdriver
from bs4 import BeautifulSoup
import pdfkit
import PyPDF2
import time
import os

#获取所有URL
def get_url():
    url_list = []
    for i in range(7,0,-1):
        if(i==1):
            url = "https://cuiqingcai.com/categories/Python"
        else:
            url = "https://cuiqingcai.com/categories/Python/page/{number}/".format(number=str(i))
        driver.get(url)
        time.sleep(5)
        soup = BeautifulSoup(driver.page_source,'lxml')
        soup = soup.find('div',class_='posts-collapse').find_all('article')
        for a in soup[::-1]:
            url_list.append('https://cuiqingcai.com' + a.find('a',class_='post-title-link')['href'])
    return url_list

def html_to_pdf(url_list,html_template,options,config):
    for artical_url in url_list:
        driver.get(artical_url)
        time.sleep(5)
        soup = BeautifulSoup(driver.page_source,'lxml')
        title = soup.find('h1',class_='post-title')
        body = soup.find('div',class_='post-body')
        
        body.find('div',class_='advertisements').clear()#去除带css格式的广告
        
        html = html_template.format(title=title,content=body)
        
        print(title,':',artical_url)
#         print(html)
        try:
            pdfkit.from_string(html, r"D:\toPDF\{name}.pdf".format(name=title.getText()),configuration=config,options=options)
        except OSError:
            pass
        print('文章:',title,'已转化为PDF')

def merge_pdf(file_path):
    merger = PdfFileMerger()
    for root, dirs, files in os.walk(file_path):  
        files = files 
    for file in files:
        print(file)
        inputPDF = open(file_path + '\\' + file, "rb")
        merger.append(inputPDF,import_bookmarks=False)
        inputPDF.close()
    output = open(r"D:\toPDF\allPdfMerge.pdf", "wb")
    merger.write(output)   

def main():
	driver = webdriver.Firefox()
	url_list = get_url()
	
	html_template = """ 
	<!DOCTYPE html> 
	<html lang="en"> 
	<head> 
	 <meta charset="UTF-8"> 
	</head> 
	<p>
	{title}
	</p>
	<body> 
	{content} 
	</body> 
	</html> 
	"""
	#将HTML保存为PDF
	options = {
	'page-size':'Letter','margin-top':'0.75in','margin-right':'0.75in',
	'margin-bottom':'0.75in','margin-left':'0.75in','encoding':"UTF-8",
	'custom-header': [('Accept-Encoding','gzip')],
	'cookie': [('cookie-name1','cookie-value1'),('cookie-name2','cookie-value2'),],
	'outline-depth':10,
	}
	path_wk = r"D:\wkhtmltopdf\bin\wkhtmltopdf.exe" #wkhtmltopdf安装位置
	config = pdfkit.configuration(wkhtmltopdf = path_wk)
	
	html_to_pdf(url_list,html_template,options,config)
	
	file_path = r"D:\toPDF"
	
	merge_pdf(file_path)
	
if __name__ == "__main__":
	main()

ps:本文使用的webdriver来获取的网页html,也可以使用requests.get()方法来获取网页html。

码字不易,喜欢请点赞!!!

我们下次再见,如果还有下次
想进入交流群的,欢迎加我微信,并备注: 数据分析交流群
我们共同学习,共同进步!!!
为了学爬虫,我用三步爬取了大佬崔庆才爬虫相关文章,并保持为pdf学习

本文地址:https://blog.csdn.net/Asher117/article/details/109956846