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？|知乎)

　　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？|知乎)

　　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，你喜欢的答主被喷在网上，你一气之下删帖停止更新，这些好内容就看不到了。虽然这是一个小概率事件（但不是从未发生过），但请采取预防措施。您可以将您关注的专栏导出为电子书，以便您可以离线阅读它们，并且不怕误删帖子。

　　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：

　　抓取列 文章地址列表 抓取每个的详细信息 文章导出 PDF 1. 抓取列表

　　在之前的文章爬虫必备工具中，掌握它就解决了一半，我介绍了如何分析网页上的请求。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。

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

　　文章数据：

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

　　breakurl = 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，会添加不带data-actual、src="data:image等标签和属性的效果。我们必须去掉它们才能正常显示。

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

　　# 处理内容（略）

　　withopen(file_name, 'w') asf: 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

　　为了便于阅读，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，都是通过1.抓取列表2.抓取详细内容这两个步骤采集数据。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。

　　这些爬虫的开发技巧可以在我们的爬虫实战课程中学习。如有需要请在公众号回复实际爬虫

　　【源码下载】

　　获取知乎栏目下载器源码，请在公众号（Crossin的编程课堂）回复关键字知乎

　　除了代码，还提供了本专栏的打包PDF，欢迎阅读和分享。