位置: 编程技术 - 正文

python爬虫实现教程转换成 PDF 电子书(python爬虫视频教程)

编辑:rootadmin

推荐整理分享python爬虫实现教程转换成 PDF 电子书(python爬虫视频教程),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:python爬虫基础教学,python爬虫课设,爬虫python全套教学,python 爬虫教学,python 爬虫教学,python爬虫视频教程,python爬虫教学视频,python爬虫教学视频,内容如对您有帮助,希望把文章链接给更多的朋友!

写爬虫似乎没有比用 Python 更合适了,Python 社区提供的爬虫工具多得让你眼花缭乱,各种拿来就可以直接用的 library 分分钟就可以写出一个爬虫出来,今天就琢磨着写一个爬虫,将廖雪峰的 Python 教程 爬下来做成 PDF 电子书方便大家离线阅读。

开始写爬虫前,我们先来分析一下该网站1的页面结构,网页的左侧是教程的目录大纲,每个 URL 对应到右边的一篇文章,右侧上方是文章的标题,中间是文章的正文部分,正文内容是我们关心的重点,我们要爬的数据就是所有网页的正文部分,下方是用户的评论区,评论区对我们没什么用,所以可以忽略它。

工具准备

弄清楚了网站的基本结构后就可以开始准备爬虫所依赖的工具包了。requests、beautifulsoup 是爬虫两大神器,reuqests 用于网络请求,beautifusoup 用于操作 html 数据。有了这两把梭子,干起活来利索,scrapy 这样的爬虫框架我们就不用了,小程序派上它有点杀鸡用牛刀的意思。此外,既然是把 html 文件转为 pdf,那么也要有相应的库支持, wkhtmltopdf 就是一个非常好的工具,它可以用适用于多平台的 html 到 pdf 的转换,pdfkit 是 wkhtmltopdf 的Python封装包。首先安装好下面的依赖包,

接着安装 wkhtmltopdf

安装 wkhtmltopdf

Windows平台直接在 wkhtmltopdf 官网2下载稳定版的进行安装,安装完成之后把该程序的执行路径加入到系统环境 $PATH 变量中,否则 pdfkit 找不到 wkhtmltopdf 就出现错误 “No wkhtmltopdf executable found”。Ubuntu 和 CentOS 可以直接用命令行进行安装

爬虫实现

一切准备就绪后就可以上代码了,不过写代码之前还是先整理一下思绪。程序的目的是要把所有 URL 对应的 html 正文部分保存到本地,然后利用 pdfkit 把这些文件转换成一个 pdf 文件。我们把任务拆分一下,首先是把某一个 URL 对应的 html 正文保存到本地,然后找到所有的 URL 执行相同的操作。

python爬虫实现教程转换成 PDF 电子书(python爬虫视频教程)

用 Chrome 浏览器找到页面正文部分的标签,按 F 找到正文对应的 div 标签: <div >,该 div 是网页的正文内容。用 requests 把整个页面加载到本地后,就可以使用 beautifulsoup 操作 HTML 的 dom 元素 来提取正文内容了。

具体的实现代码如下:用 soup.find_all 函数找到正文标签,然后把正文部分的内容保存到 a.html 文件中。

第二步就是把页面左侧所有 URL 解析出来。采用同样的方式,找到 左侧菜单标签 <ul >

具体代码实现逻辑:因为页面上有两个uk-nav uk-nav-side的 class 属性,而真正的目录列表是第二个。所有的 url 获取了,url 转 html 的函数在第一步也写好了。

最后一步就是把 html 转换成pdf文件了。转换成 pdf 文件非常简单,因为 pdfkit 把所有的逻辑都封装好了,你只需要调用函数 pdfkit.from_file

执行 save_pdf 函数,电子书 pdf 文件就生成了,效果图:

总结

总共代码量加起来不到行,不过,且慢,其实上面给出的代码省略了一些细节,比如,如何获取文章的标题,正文内容的 img 标签使用的是相对路径,如果要想在 pdf 中正常显示图片就需要将相对路径改为绝对路径,还有保存下来的 html 临时文件都要删除,这些细节末叶都放在github上。

完整代码可以上github下载 ,代码在 Windows 平台亲测有效,欢迎 fork 下载自己改进。github 地址3,GitHub访问不了的同学可以用码云4, 《廖雪峰的 Python 教程》电子书 PDF 文件可以通过关注本公众号『一个程序员的微站』回复 “pdf” 免费下载阅读。

Python实现字符串格式化的方法小结 Python2.6+增加了str.format函数,用来代替原有的'%'操作符。它使用比'%'更加直观、灵活。下面详细介绍一下它的使用方法。下面是使用'%'的例子:"""PIis%f..."%

python安装cx_Oracle模块常见问题与解决方法 本文实例讲述了python安装cx_Oracle模块常见问题与解决方法。分享给大家供大家参考,具体如下:安装或使用cx_Oracle时,需要用到Oracel的链接库,如libclnts

python安装oracle扩展及数据库连接方法 本文实例讲述了python安装oracle扩展及数据库连接方法。分享给大家供大家参考,具体如下:下载:cx_Oracle下载地址:

标签: python爬虫视频教程

本文链接地址:https://www.jiuchutong.com/biancheng/379997.html 转载请保留说明!

上一篇:Python 模块EasyGui详细介绍(python 模块定义)

下一篇:Python实现字符串格式化的方法小结(python字符串怎么用)

  • 建筑业如何分项目核算
  • 商品批发企业进项税额会计分录
  • 税收对国家的影响及地位
  • 工程材料发票备注要求
  • 企业所有者权益科目有哪些
  • 怎么从营业执照上看是不是一般纳税人
  • 小规模纳税人开票税率
  • 赠品不开票如何做账
  • 税务等级低有什么影响
  • 预收账款确认收入分录
  • 坐收坐支在会计上如何反映
  • 筹资活动现金流量净额为负
  • 会员卡收费怎么办理
  • 房租发票上税的分录怎么写?
  • 国有企业取得的土地收储款是否要上缴财政
  • 城建税及教育附加税怎么算
  • 房地产形象海报
  • 由母公司承担子公司债务的财务处理怎么做?
  • 出口退税征税
  • 一般纳税人6个点和13点
  • 公司还法人借款网银转账
  • 企业每月纳税申报流程
  • 研发费用加计扣除政策执行指引
  • 一般纳税人库存商品怎么做分录
  • 民办非企业捐赠支出会计处理
  • 小规模库存商品结转成本太低怎么办
  • 积分兑换的话费在使用后不再累计消费积分是什么意思
  • 收到应收票据应该确认收入吗
  • 个人出租车辆给公司个人所得税
  • 固定资产报废如何计算
  • 什么是土地使用者依照法律规定
  • 单位卖二手车需交税吗
  • 对公账户转到私人账户要手续费吗
  • 如何选择一款适合自己家庭的凉席
  • pnp.npn
  • 约克郡在哪
  • Vite4 + Vue3 + vue-router4 动态路由
  • javascript怎么用
  • 个体工商户加盟店名字和营业执照不符合
  • 帝国cms移动端设置教程
  • 合伙股权退出机制
  • 发行的企业债券计入什么科目
  • 借款合同印花税优惠政策
  • 房地产企业拆迁还房会计处理
  • 财务报表审计的定义
  • 收到缴纳个人所得税短信
  • 土地使用权转让法律规定
  • 会计丁字记账法
  • 最新减免税申报表填写举例
  • 业务招待费汇算清缴账务处理
  • 结转费用后利润怎么算
  • 收到投资方投入设备一台会计科目
  • 公司购买商品房能折旧吗
  • 内部损益是什么
  • 车辆保险赔款怎么算
  • 长期合同价格怎么定
  • 企业收到普通发票需要报税嘛
  • 注册工贸公司业务范围
  • 营业收入包括哪些内容?
  • MySQL-tpch 测试工具简要手册
  • ubuntu 16.04.6安装教程
  • freebsd使用手册
  • centos7.0安装教程
  • 手机更新升级版本下载
  • windows8使用教程
  • win7怎么在桌面添加时钟
  • cocos2dx 2.2.2
  • 基于重大误解实施的民事法律行为
  • 如何使用css设置元素的层叠效果?
  • vue router routes
  • python 初级
  • javascript学习指南
  • android 标签页
  • js设计模式和开发实践
  • android自学
  • android 引用第三方库
  • 深圳少儿电子医保卡怎么用
  • 宁波市开发区
  • 国税申报密码忘了怎么办
  • 中华人民共和国道路交通安全法
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设