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文章导出PDF1.的详细信息抓取列表

　　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：

　　

https://www.zhihu.com/api/v4/columns/crossin/articles

　　

　　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。

　　

while True:

resp = requests.get(url, headers=headers)

j = resp.json()

data = j['data']

for article in data:

# 保存id和title(略)

if j['paging']['is_end']:

break

url = j['paging']['next']

# 按 id 排序(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。

　　需要花点功夫的是一些文字处理，比如原页面的图片效果，会添加noscript标签和`,highlight">

　　

url = 'https://zhuanlan.zhihu.com/p/' + id

html = requests.get(url, headers=headers).text

soup = BeautifulSoup(html, 'lxml')

content = soup.find(class_='Post-RichText').prettify()

# 对content做处理(略)

with open(file_name, 'w') as 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：

　　

pip install pdfkit

　　使用简单：

　　

# 获取htmls文件名列表(略)

pdfkit.from_file(sorted(htmls), 'zhihu.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。

　　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（Crosin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。

　　════

　　其他 文章 和答案：

　　欢迎搜索关注：Crossin的编程课堂