Python爬取csnd文章，并转换为PDF文件

本篇文章流程(爬虫基本思路):

一. 数据来源分析 (只有当你找到数据来源的时候, 才能通过代码实现)

确定需求(要爬取的内容是什么?)
爬取文章内容 保存pdf

通过开发者工具进行抓包分析 分析数据从哪里来的?

​​Python从零基础入门到实战系统教程、源码、视频，想要数据集的同学也可以点这里​​

二. 代码实现过程

发送请求 对于文章列表页面发送请求

获取数据 获取网页源代码

解析数据 文章的url 以及 文章标题

发送请求 对于文章详情页url地址发送请求

获取数据 获取网页源代码

解析数据 提取文章标题 / 文章内容

保存数据 把文章内容保存成html文件

把html文件转成pdf文件

多页爬取

导入模块

import requests # 数据请求 发送请求 第三方模块 pip install requests
import parsel # 数据解析模块 第三方模块 pip install parsel
import os # 文件操作模块
import re # 正则表达式模块
import pdfkit # pip install pdfkit

创建文件夹

filename = 'pdf\\' # 文件名字
filename_1 = 'html\\'
if not os.path.exists(filename): #如果没有这个文件夹的话
os.mkdir(filename) # 自动创建一下这个文件夹

if not os.path.exists(filename_1): #如果没有这个文件夹的话
os.mkdir(filename_1) # 自动创建一下这个文件夹

发送请求

for page in range(1, 11):
print(f'=================正在爬取第{page}页数据内容=================')
url = f'https://blog.***.net/qdPython/article/list/{page}'
# python代码对于服务器发送请求 >>> 服务器接收之后(如果没有伪装)被识别出来, 是爬虫程序, >>> 不会给你返回数据
# 客户端(浏览器) 对于 服务器发送请求 >>> 服务器接收到请求之后 >>> 浏览器返回一个response响应数据
# headers 请求头 就是把python代码伪装成浏览器进行请求
# headers参数字段 是可以在开发者工具里面进行查询 复制
# 并不是所有的参数字段都是需要的
# user-agent: 浏览器的基本信息 (相当于披着羊皮的狼, 这样可以混进羊群里面)
# cookie: 用户信息 检测是否登录账号 (某些网站 是需要登录之后才能看到数据, B站一些数据内容)
# referer: 防盗链 请求你的网址 是从哪里跳转过来的 (B站视频内容 / 妹子图图片下载 / 唯品会商品数据)
# 根据不同的网站内容 具体情况 具体分析
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'
}
# 请求方式: get请求 post请求 通过开发者工具可以查看url请求方式是什么样的
# 搜索 / 登录 /查询 这样是post请求
response = requests.get(url=url, headers=headers)

数据解析

# 需要把获取到的html字符串数据转成 selector 解析对象
selector = parsel.Selector(response.text)
# getall 返回的是列表
href = selector.css('.article-list a::attr(href)').getall()

如果把列表里面每一个元素 都提取出来

for index in href:
# 发送请求 对于文章详情页url地址发送请求
response_1 = requests.get(url=index, headers=headers)
selector_1 = parsel.Selector(response_1.text)
title = selector_1.css('#articleContentId::text').get()
new_title = change_title(title)
content_views = selector_1.css('#content_views').get()
html_content = html_str.format(article=content_views)
html_path = filename_1 + new_title + '.html'
pdf_path = filename + new_title + '.pdf'
with open(html_path, mode='w', encoding='utf-8') as f:
f.write(html_content)
print('正在保存: ', title)

替换特殊字符

def change_title(name):
mode = re.compile(r'[\\\/\:\*\?\"\<\>\|]')
new_name = re.sub(mode, '_', name)
return new_name

运行代码，即可下载HTML文件

转换成PDF文件

config = pdfkit.configuration(wkhtmltopdf=r'C:\Program Files\wkhtmltopdf\bin\wkhtmltopdf.exe')
pdfkit.from_file(html_path, pdf_path, configuration=config)