寫爬蟲似乎沒有比用 Python 更合適了，Python 社區提供的爬蟲工具多得讓你眼花繚亂，各種拿來就可以直接用的 library 分分鐘就可以寫出一個爬蟲出來，今天就琢磨著寫一個爬蟲，將廖雪峰的 Python 教程 爬下來做成 PDF 電子書方便大家離線閱讀。
開始寫爬蟲前，我們先來分析一下該網站1的頁面結構，網頁的左側是教程的目錄大綱，每個 URL 對應到右邊的一篇文章，右側上方是文章的標題，中間是文章的正文部分，正文內容是我們關心的重點，我們要爬的數據就是所有網頁的正文部分，下方是用戶的評論區，評論區對我們沒什么用，所以可以忽略它。
工具準備
弄清楚了網站的基本結構后就可以開始準備爬蟲所依賴的工具包了。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，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 就是一個非常好的工具，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，
接著安裝 wkhtmltopdf
|
1
2
3
|
pip install requestspip install beautifulsouppip install pdfkit |
安裝 wkhtmltopdf
Windows平臺直接在 wkhtmltopdf 官網2下載穩定版的進行安裝，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
|
1
2
|
$ sudo apt-get install wkhtmltopdf # ubuntu$ sudo yum intsall wkhtmltopdf # centos |
爬蟲實現
一切準備就緒后就可以上代碼了，不過寫代碼之前還是先整理一下思緒。程序的目的是要把所有 URL 對應的 html 正文部分保存到本地，然后利用 pdfkit 把這些文件轉換成一個 pdf 文件。我們把任務拆分一下，首先是把某一個 URL 對應的 html 正文保存到本地，然后找到所有的 URL 執行相同的操作。
用 Chrome 瀏覽器找到頁面正文部分的標簽，按 F12 找到正文對應的 div 標簽： <div >，該 div 是網頁的正文內容。用 requests 把整個頁面加載到本地后，就可以使用 beautifulsoup 操作 HTML 的 dom 元素 來提取正文內容了。
具體的實現代碼如下：用 soup.find_all 函數找到正文標簽，然后把正文部分的內容保存到 a.html 文件中。
|
1
2
3
4
5
6
7
|
def parse_url_to_html(url): response = requests.get(url) soup = BeautifulSoup(response.content, "html5lib") body = soup.find_all(class_="x-wiki-content")[0] html = str(body) with open("a.html", 'wb') as f: f.write(html) |
第二步就是把頁面左側所有 URL 解析出來。采用同樣的方式，找到 左側菜單標簽 <ul >
具體代碼實現邏輯：因為頁面上有兩個uk-nav uk-nav-side的 class 屬性，而真正的目錄列表是第二個。所有的 url 獲取了，url 轉 html 的函數在第一步也寫好了。
|
1
2
3
4
5
6
7
8
9
10
11
12
|
def get_url_list(): """ 獲取所有URL目錄列表 """ response = requests.get("http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000") soup = BeautifulSoup(response.content, "html5lib") 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 urls |
最后一步就是把 html 轉換成pdf文件了。轉換成 pdf 文件非常簡單，因為 pdfkit 把所有的邏輯都封裝好了，你只需要調用函數 pdfkit.from_file
|
1
2
3
4
5
6
7
8
9
10
11
12
|
def save_pdf(htmls): """ 把所有html文件轉換成pdf文件 """ options = { 'page-size': 'Letter', 'encoding': "UTF-8", 'custom-header': [ ('Accept-Encoding', 'gzip') ] } pdfkit.from_file(htmls, file_name, options=options) |
執行 save_pdf 函數，電子書 pdf 文件就生成了，效果圖：
總結
總共代碼量加起來不到50行，不過，且慢，其實上面給出的代碼省略了一些細節，比如，如何獲取文章的標題，正文內容的 img 標簽使用的是相對路徑，如果要想在 pdf 中正常顯示圖片就需要將相對路徑改為絕對路徑，還有保存下來的 html 臨時文件都要刪除，這些細節末葉都放在github上。
完整代碼可以上github下載 ，代碼在 Windows 平臺親測有效，歡迎 fork 下載自己改進。github 地址3，GitHub訪問不了的同學可以用碼云4， 《廖雪峰的 Python 教程》電子書 PDF 文件可以通過關注本公眾號『一個程序員的微站』回復 “pdf” 免費下載閱讀。
