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，在学习了Python基础之后，我不知道自己可以做些什么来提高。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。

　　在知乎上，你一定关注了一些不错的专栏（比如Crossin的编程课堂）。但如果有一天，你最喜欢的受访者在网上被喷，你一怒之下删帖，停止更新，你就看不到这些好内容了。虽然这是小概率事件（以前没有发生过），但你可以准备下雨天。您可以将您关注的专栏导出到电子书，这样您就可以离线阅读，而不必担心误删帖子。

　　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，输入栏目id，即网页地址上的路径：

　　

　　

　　之后程序会自动抓取栏目中的文章，并根据发布时间合并导出为pdf文件。

　　

　　[实现思路]

　　本程序主要分为三部分：

　　抓取栏目文章地址列表抓取每个文章导出PDF1.抓取列表的详细内容

　　在之前的文章爬虫必备工具中，掌握了它就解决了一半的问题，我介绍了如何分析网页上的请求。按照方法，我们可以使用开发者工具的Network功能，找出栏目页面的请求，获取详细列表：

　　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（相当于页面向下滚动的触发效果），判断是否得到了全部文章。

　　data中的id、title、url就是我们需要的数据。因为url可以用id拼写，所以没有保存在我们的代码中。

　　

　　使用while循环直到文章的所有id和title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id/url，后面的爬取就很简单了。 文章主要内容在Post-RichText标签中。

　　处理一些文字需要一点功夫，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，我们需要正常显示删除。

　　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)

　　

　　到这一步，所有的内容都已经抓取完毕，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。

　　pdfkit 是本工具打包的 Python 库，可以从 pip 安装：

　　pip install pdfkit

　　易于使用：

　　# 获取htmls文件名列表(略)

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

　　

　　这样就完成了整列的导出。

　　不止知乎columns，几乎所有的信息网站都使用1.Grab List 2.Grab Details to 采集data 两步。所以这段代码只要稍加修改，就可以在许多其他网站中使用。只是有些网站需要登录访问，所以需要在headers中设置cookie信息。另外，不同的网站请求接口、参数、限制都不一样，具体问题还是要具体问题具体分析。

　　这些爬虫的开发技巧可以在我们的爬虫实战课中学习。如有需要，请在公众号回复。爬虫实战

　　[源码下载]

　　获取知乎专栏下载器源码，请在公众号（Crossin的编程课堂）回复关键词知乎。

　　除了代码，还有本专栏打包好的PDF，欢迎阅读分享。

　　====

　　其他文章和回答：

　　欢迎搜索关注：Crossin的编程课堂