写爬虫仿佛没有比用 Python 更适合了，Python 社区提供的爬虫工具多得让你目迷五色，各种拿来就能够间接用的 library 分分钟就能够写出一个爬虫进去，明天就推敲着写一个爬虫，将廖雪峰的 Python 教程 爬下来做成 PDF 电子书不便大家离线浏览。

开始写爬虫前，咱们先来剖析一下该网站1的页面构造，网页的左侧是教程的目录纲要，每个 URL 对应到左边的一篇文章，右侧上方是文章的题目，两头是文章的注释局部，注释内容是咱们关怀的重点，咱们要爬的数据就是所有网页的注释局部，下方是用户的评论区，评论区对咱们没什么用，所以能够疏忽它。

工具筹备

弄清楚了网站的根本构造后就能够开始筹备爬虫所依赖的工具包了。requests、beautifulsoup 是爬虫两大神器，reuqests 用于网络申请，beautifusoup 用于操作 html 数据。有了这两把梭子，干起活来利索，scrapy 这样的爬虫框架咱们就不必了，小程序派上它有点杀鸡用牛刀的意思。此外，既然是把 html 文件转为 pdf，那么也要有相应的库反对， wkhtmltopdf 就是一个十分好的工具，它能够用实用于多平台的 html 到 pdf 的转换，pdfkit 是 wkhtmltopdf 的Python封装包。首先装置好上面的依赖包，接着装置 wkhtmltopdf

pip install requestspip install beautifulsouppip install pdfkit

装置 wkhtmltopdf

Windows平台间接在 wkhtmltopdf 官网2下载稳定版的进行装置，装置实现之后把该程序的执行门路退出到零碎环境 $PATH 变量中，否则 pdfkit 找不到 wkhtmltopdf 就呈现谬误 “No wkhtmltopdf executable found”。Ubuntu 和 CentOS 能够间接用命令行进行装置

$ sudo apt-get install wkhtmltopdf  # ubuntu$ sudo yum intsall wkhtmltopdf      # centos

爬虫实现

所有准备就绪后就能够上代码了，不过写代码之前还是先整顿一下思路。程序的目标是要把所有 URL 对应的 html 注释局部保留到本地，而后利用 pdfkit 把这些文件转换成一个 pdf 文件。咱们把工作拆分一下，首先是把某一个 URL 对应的 html 注释保留到本地，而后找到所有的 URL 执行雷同的操作。

用 Chrome 浏览器找到页面注释局部的标签，按 F12 找到注释对应的 div 标签： <div class="x-wiki-content">，该 div 是网页的注释内容。用 requests 把整个页面加载到本地后，就能够应用 beautifulsoup 操作 HTML 的 dom 元素 来提取注释内容了。

具体的实现代码如下：用 soup.find\_all 函数找到注释标签，而后把注释局部的内容保留到 a.html 文件中。

def parse_url_to_html(url):    response = requests.get(url)    soup = BeautifulSoup(response.content, "html5lib")    body = soup.find_all(class_="x-wiki-content")[0]    html = str(body)    with open("a.html", 'wb') as f:        f.write(html)

第二步就是把页面左侧所有 URL 解析进去。采纳同样的形式，找到 左侧菜单标签 <ul class="uk-nav uk-nav-side">

具体代码实现逻辑：因为页面上有两个uk-nav uk-nav-side的 class 属性，而真正的目录列表是第二个。所有的 url 获取了，url 转 html 的函数在第一步也写好了。

def get_url_list():    """    获取所有URL目录列表    """    response = requests.get("http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000")    soup = BeautifulSoup(response.content, "html5lib")    menu_tag = soup.find_all(class_="uk-nav uk-nav-side")[1]    urls = []    for li in menu_tag.find_all("li"):        url = "http://www.liaoxuefeng.com" + li.a.get('href')        urls.append(url)    return urls

最初一步就是把 html 转换成pdf文件了。转换成 pdf 文件非常简单，因为 pdfkit 把所有的逻辑都封装好了，你只须要调用函数 pdfkit.from\_file

def save_pdf(htmls):    """    把所有html文件转换成pdf文件    """    options = {        'page-size': 'Letter',        'encoding': "UTF-8",        'custom-header': [            ('Accept-Encoding', 'gzip')        ]    }    pdfkit.from_file(htmls, file_name, options=options)

执行 save\_pdf 函数，电子书 pdf 文件就生成了，效果图：

本文转自 https://juejin.cn/post/6844903463063650311，如有侵权，请分割删除。