抓取网页生成电子书(全篇的实现思路分析网页学会使用BeautifulSoup库爬取并导出参考资料 )

　　抓取网页生成电子书(全篇的实现思路分析网页学会使用BeautifulSoup库爬取并导出参考资料

)

　　爬行动物的成因

　　官方文档或手册虽然可以查阅，但如果变成纸质版是不是更容易阅读和记忆。如果你只是简单地复制和粘贴，你不知道什么时候会完成。所以我开始考虑爬下官方的Android手册。

　　整篇文章实现思路分析网页学习使用BeautifulSoup库抓取导出

　　参考资料：

　　* 将廖雪峰的教程转成PDF电子书

　　* 请求文件

　　*美丽的汤文件

　　配置

　　Ubuntu下使用Pycharm运行成功

　　要转换为 PDF，您需要下载 wkhtmltopdf

　　具体流程网页分析

　　对于这样的网页，您只需获取网页的正文和标题，以及左侧导航栏中的所有网址

　　如下：

　　

　　下一个工作是找到这些标签......

　　关于Requests的使用

　　详见文档，这里只是简单使用Requests获取html并使用代理翻墙（网站不能直接访问，需要VPN）

　　proxies={

"http":"http://vpn的IP:port",

"https":"https://vpn的IP:port",

}

response=requests.get(url,proxies=proxies)

　　美汤的使用

　　参考资料中有一个 Beautiful Soup 文档。看完就知道讲了两件事：一是找标签，二是修改标签。

　　这篇文章需要做的是：

　　1. 获取title和所有url，这涉及到找标签

　　#对标签进行判断，一个标签含有href而不含有description，则返回true

#而我希望获取的是含有href属性而不含有description属性的<a>标签，（且只有a标签含有href）

def has_href_but_no_des(tag):

return tag.has_attr(&#39;href&#39;) and not tag.has_attr(&#39;description&#39;)

#网页分析，获取网址和标题

def parse_url_to_html(url):

response=requests.get(url,proxies=proxies)

soup=BeautifulSoup(response.content,"html.parser")

s=[]#获取所有的网址

title=[]#获取对应的标题

tag=soup.find(id="nav")#获取第一个id为"nav"的标签，这个里面包含了网址和标题

for i in tag.find_all(has_href_but_no_des):

s.append(i[&#39;href&#39;])

title.append(i.text)

#获取的只是标签集，需要加html前缀

htmls = ""

with open("android_training_3.html",&#39;a&#39;) as f:

f.write(htmls)

　　解析上面得到的URL，获取文本，将图片保存到本地；它涉及查找标签和修改属性

　　#网页操作，获取正文及图片

def get_htmls(urls,title):

for i in range(len(urls)):

response=requests.get(urls[i],proxies=proxies)

soup=BeautifulSoup(response.content,"html.parser")

htmls=""+str(i)+"."+title[i]+""

tag=soup.find(class_=&#39;jd-descr&#39;)

#为image添加相对路径，并下载图片

for img in tag.find_all(&#39;img&#39;):

im = requests.get(img[&#39;src&#39;], proxies=proxies)

filename = os.path.split(img[&#39;src&#39;])[1]

with open(&#39;image/&#39; + filename, &#39;wb&#39;) as f:

f.write(im.content)

img[&#39;src&#39;]=&#39;image/&#39;+filename

htmls=htmls+str(tag)

with open("android_training_3.html",&#39;a&#39;) as f:

f.write(htmls)

print(" (%s) [%s] download end"%(i,title[i]))

htmls=""

with open("android_training_3.html",&#39;a&#39;) as f:

f.write(htmls)

　　转换为 PDF

　　这一步需要下载wkhtmltopdf，在windows下执行程序总是报错..ubuntu是可以的

　　def save_pdf(html):

"""

把所有html文件转换成pdf文件

"""

options = {

&#39;page-size&#39;: &#39;Letter&#39;,

&#39;encoding&#39;: "UTF-8",

&#39;custom-header&#39;: [

(&#39;Accept-Encoding&#39;, &#39;gzip&#39;)

]

}

pdfkit.from_file(html, "android_training_3.pdf", options=options)

　　最终效果图