抓取网页生成电子书(通过Python和爬虫，可以完成怎样的小工具？|)

　　抓取网页生成电子书(通过Python和爬虫，可以完成怎样的小工具？|)

　　总有同学问，学了 Python 的基础知识后，不知道能做些什么来提高它。今天就用一个小例子来告诉大家，通过Python和爬虫可以完成什么样的小工具。

　　在知乎，你一定关注过一些不错的专栏（比如Crossin的编程课堂）

　　

　　）。但万一哪天，你喜欢的回答者被喷到网上，你一气之下删帖停止更新，这些好内容就看不到了。虽然这是小概率事件（但不会发生），但要注意，可以将关注的栏目导出为电子书，这样可以离线阅读，不怕误删帖。

　　如果只需要工具和源码，可以拉到文章底部获取代码。

　　【最终效果】

　　运行程序，输入列的id，就是网页地址上的路径：

　　

　　

　　之后程序会自动抓取列中的文章，并根据发布时间合并导出为pdf文件。

　　【实现思路】

　　本方案主要分为三个部分：

　　爬取列文章地址列表

　　抓取每个文章的详细内容

　　导出 PDF

　　1. 爬取列表

　　如何分析网页上的请求在前面的 文章 中有所描述。按照方法，我们可以利用开发者工具的Network功能，找出栏目页面的请求，得到明细列表：

　　

　　观察返回的结果，我们发现通过next和is_end的值，可以得到下一个列表请求的地址（相当于向下滚动页面的触发效果），判断是否所有文章s已获得。

　　data中的id、title、url就是我们需要的数据。因为 url 可以用 id 拼出，所以我们的代码中没有保存。

　　

　　使用 while 循环，直到 文章 的所有 id 和标题都被捕获并保存在文件中。

　　而 True: resp = requests.get(url, headers=headers) j = resp.json() data = j['data']

　　对于数据中的文章：

　　# 如果 j['paging']['is_end'] 保存 id 和 title（省略）：

　　中断 url = j['paging']['next']

　　# 按id排序（省略）

　　# 导入文件（略）

　　

　　2. 抢文章

　　有了 文章 的所有 ids/urls，后面的抓取就很简单了。文章正文内容在 Post-RichText 标签中。

　　需要一点努力的是一些文本处理。比如原页面的图片效果会添加noscript标签和data-actual、src="data:image等属性，我们必须去掉才能正常显示。

　　url = '' + idhtml = requests.get(url, headers=headers).textsoup = BeautifulSoup(html, 'lxml')content = soup.find(class_='Post-RichText').prettify()

　　# 处理内容（略）

　　使用 open(file_name, 'w') 作为 f: f.write(content)

　　

　　至此，所有内容都已经爬取完毕，可以在本地读取了。

　　3. 导出 PDF

　　为了方便阅读，我们使用 wkhtmltopdf + pdfkit 将这些 HTML 文件打包成 PDF。

　　wkhtmltopdf 是一个 HTML to PDF 工具，需要单独安装。详情请参考其官网介绍。

　　pdfkit 是一个包装了这个工具的 Python 库，可以从 pip 安装：

　　点安装pdfkit

　　使用简单：

　　# 获取htmls文件名列表（略）

　　pdfkit.from_file(排序(htmls), '知乎.pdf')

　　

　　这样就完成了整个列的导出。

　　不仅是知乎栏目，几乎大部分信息网站，通过1.抓取列表2.抓取详细内容采集数据这两个步骤. 所以这段代码稍加修改就可以用在很多其他的网站s上。只是有些网站需要登录才能访问，那么就需要在headers中设置cookie信息。另外，不同网站的请求接口、参数、限制等都不一样，具体问题还是需要分析的。