寫爬蟲似乎沒有比用 Python 更合適了，Python 社區(qū)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(wǎng)站1的頁面結(jié)構(gòu)，網(wǎng)頁的左側(cè)是教程的目錄大綱，每個 URL 對應(yīng)到右邊的一篇文章，右側(cè)上方是文章的標(biāo)題，中間是文章的正文部分，正文內(nèi)容是我們關(guān)心的重點，我們要爬的數(shù)據(jù)就是所有網(wǎng)頁的正文部分，下方是用戶的評論區(qū)，評論區(qū)對我們沒什么用，所以可以忽略它。
工具準(zhǔn)備
弄清楚了網(wǎng)站的基本結(jié)構(gòu)后就可以開始準(zhǔn)備爬蟲所依賴的工具包了。requests、beautifulsoup 是爬蟲兩大神器，reuqests 用于網(wǎng)絡(luò)請求，beautifusoup 用于操作 html 數(shù)據(jù)。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(zhuǎn)為 pdf，那么也要有相應(yīng)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(zhuǎn)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
pip install requests
pip install beautifulsoup
pip install pdfkit
安裝 wkhtmltopdf
Windows平臺直接在 wkhtmltopdf 官網(wǎng)2下載穩(wěn)定版的進(jìn)行安裝，安裝完成之后把該程序的執(zhí)行路徑加入到系統(tǒng)環(huán)境 $PATH 變量中，否則 pdfkit 找不到 wkhtmltopdf 就出現(xiàn)錯誤 “No wkhtmltopdf executable found”。Ubuntu 和 CentOS 可以直接用命令行進(jìn)行安裝
$ sudo apt-get install wkhtmltopdf # ubuntu
$ sudo yum intsall wkhtmltopdf # centos
爬蟲實現(xiàn)
一切準(zhǔn)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(yīng)的 html 正文部分保存到本地，然后利用 pdfkit 把這些文件轉(zhuǎn)換成一個 pdf 文件。我們把任務(wù)拆分一下，首先是把某一個 URL 對應(yīng)的 html 正文保存到本地，然后找到所有的 URL 執(zhí)行相同的操作。
用 Chrome 瀏覽器找到頁面正文部分的標(biāo)簽，按 F12 找到正文對應(yīng)的 div 標(biāo)簽：?
具體的實現(xiàn)代碼如下：用 soup.find_all 函數(shù)找到正文標(biāo)簽，然后把正文部分的內(nèi)容保存到 a.html 文件中。
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(cè)所有 URL 解析出來。采用同樣的方式，找到 左側(cè)菜單標(biāo)簽?
具體代碼實現(xiàn)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(zhuǎn) html 的函數(shù)在第一步也寫好了。
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(zhuǎn)換成pdf文件了。轉(zhuǎn)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(diào)用函數(shù) pdfkit.from_file
def save_pdf(htmls):
"""
把所有html文件轉(zhuǎn)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(zhí)行 save_pdf 函數(shù)，電子書 pdf 文件就生成了，效果圖：
總結(jié)
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(xì)節(jié)，比如，如何獲取文章的標(biāo)題，正文內(nèi)容的 img 標(biāo)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(xì)節(jié)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(jìn)。github 地址3，GitHub訪問不了的同學(xué)可以用碼云4， 《廖雪峰的 Python 教程》電子書 PDF 文件可以通過關(guān)注本公眾號『一個程序員的微站』回復(fù) “pdf” 免費下載閱讀。
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯(lián)系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機(jī)微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
