乐趣区

我是如何将博客转成PDF的

前言
只有光头才能变强
之前有读者问过我:“3y 你的博客有没有电子版的呀?我想要份电子版的”。我说:“没有啊,我没有弄过电子版的,我这边有个文章导航页面,你可以去文章导航去找来看呀”.. 然后就没有然后了。
最近也有个读者提过这个问题,然后这两天也没什么事做,所以打算折腾折腾,看看怎么把博客转成 PDF。
一、准备工作
要将博客转成 PDF,我首先想到的是能不能将 markdown 文件转成 PDF(因为平时我就是用 markdown 来写博客的)。

想了一下,原生 markdown 显示的话,代码是没有高亮的,格式也不会太好看。
所以就放弃了这个想法。

于是就去想一下,可不可以将 HTML 转成 PDF 呢。就去 GitHub 搜了有没有相关的轮子,也搜到了一些关于 Python 的爬虫啥的,感觉还是蛮复杂的。
后来,终于搜到了个不错的:
https://github.com/petterobam/my-html2file

介绍:收集一系列 html 转文档的开源插件,做成 html 页面转文件的微服务集成 Web 应用,目前包含 html 转 PDF、html 转图片、html 转 markdown 等等。
功能:

网页转 PDF(参用 wkhtml2pdf 插件)
网页转图片(参用 wkhtml2pdf 插件)
网页转 Markdown(参用 jHTML2Md)
网页转 WORD(参用 Apache POI)

这里我主要用到的网页转 PDF 这么一个功能,对应的插件是 wkhtml2pdf。
1.1 踩坑
发现了一个不错的轮子了,感觉可行,于是就去下载来跑一下看看怎么样。启动的时候倒没有出错,但在调接口的时候,老是抛出异常。
于是就开始查一下路径,url 有没有问题啦,查来查去发现都没问题啊。
后来才发现我的 wkhtml2pdf.exe 文件打不开,说我缺少几个 dll 文件。于是,我首先想到的是去 wkhtml2pdf 官网看看有没有相关的问题,想重新下载一个,但官网都进不去 …(不是墙的问题)

https://wkhtmltopdf.org/
(ps:一个周末过去了,发现又能打开了。)

好吧,于是就去找‘dll 文件缺失怎么办’。后面发现,安装一下 Visual C++ Redistributable for Visual Studio 2015 就好了(没有网上说得那么复杂)
https://www.microsoft.com/zh-cn/download/confirmation.aspx?id=48145
完了之后,发现可以将一个 HTML 转成 PDF 了,效果还不错:

有目录
可复制粘贴
可跳转到链接
清晰度好评

缺点:

页面加载速度慢的 HTML,图片还没加载出来就已经生成 PDF 了
所以我选用了博客园(速度快)

在 PDF 的末尾有好几页不相关的(评论,广告啥的)

本来想着能不能只截取 HTML 博文的部分啊(评论,广告和其他不相关的不截取)。于是就去搜了一下,感觉是挺麻烦的,自己做了几次试验都没弄出来,最后放弃了。
后来又想了一下,我不是有一个没有广告的博客平台吗,刚好可以拿来用了。但是,我自己写完的 markdown 是没有全部保存在硬盘上的,后来发现简书可以下载已发布文章的所有 markdown。

下载下来的文章,我想全部导入到之前那个无广告的博客平台上。但发现导出来的 markdown 没有高亮语法..

// 没有语法高亮咋看啊,所以到这里我就放弃了,将就用一下博客园生成的 PDF 吧
1.2 爬虫学习
上面 GitHub 提供的接口是一个 URL 生成一个 PDF 文件,我是不可能一个一个将链接和标题放上去生成的(因为博客园上发的也将近 200 篇了)。
而我是一点也不会爬虫的,于是也去搜了一下 Java 的爬虫轮子,发现一个很出名(WebMagic)
https://github.com/code4craft/webmagic
于是就跟着文档学习,也遇到了坑 … 文档给出的版本是 0.7.3,我使用的 JDK 版本是 8,用它的例子跑的时候抛出了 SSLException 异常(然而网上的 0.6.x 版本是没有问题的)
折腾完折腾去,也找到了 0.7.3 版本在 JDK8 上如何解决 SSLException 异常的办法了:
http://www.cnblogs.com/vcmq/p/9484418.html
修改 HttpClientDownloader 和 HttpClientGenerator 这两个类的部分代码就好了。
但是,我还是死活写不出能用的代码出来 (真的菜!).. 后来去问了一下同事(公众号:Rude3Knife) 咋搞,他用 Python 几分钟就写好了。

def get_blog_yuan(blog_name, header):
for i in range(1, 6):
url = ‘https://www.cnblogs.com/’ + blog_name + ‘/default.html?page=’ + str(i)
r = requests.get(url, headers=header, timeout=6)
selector = etree.HTML(r.text)
names = selector.xpath(“//*[@class=’postTitle’]/a/text()”)
links = selector.xpath(“//*[@class=’postTitle’]/a/@href”)
for num in range(len(names)):
print(names[num], links[num])
time.sleep(5)

我也不纠结了.. 直接用他爬下来的数据吧(:
WebMagic 中文文档:
http://webmagic.io/docs/zh/
最后
最后我就生成了好多 PDF 文件了:

// 这篇文章简单记录下我这个过程吧,还有很多要改善的[// 假装 TODO]。如果你遇到过这种需求,有更好的办法的话不妨在评论区下告诉我~~
WebMagic 我的 Demo 还没写好!!!如果有兴趣或者用过 WebMagic 的同学,有空的话不妨也去爬爬我的博客园的文章,给我一份代码(hhhhh)
分析可能的原因:博客园反爬虫 or 爬取规则没写好
部门的前辈建议我去了解一下机器学习,我也想扩展一下眼界,所以这阵子会去学一下简单的机器学习知识。(当然啦,我后面也会补笔记的)
乐于分享和输出干货的 Java 技术公众号:Java3y。关注即可领取海量的视频资源!

文章的目录导航:
https://github.com/ZhongFuCheng3y/3y

退出移动版