我们有时候看到一篇好的文章，想去保存下来，传统方式一般是收藏书签、复制粘贴到文档或者直接复制链接保存，但这样一次两次还好，数量多了，比较麻烦不说，还可能不好找~
这个时候，Python的作用就来了，直接抓下来导出为PDF，直接把整个网站的内容都导下来都行~
话不多说，我们直接上代码！
import requests import parsel import pdfkit import os import re html_str = """ <!doctype html> <html lang="en"> <head> <meta charset="UTF-8"> <title>Document</title> </head> <body> {article} </body> </html> """ def change_title(title): """ python学习交流群：279199867 替换标题中的特殊字符 :param title: 传入文章标题 :return: 返回一个替换掉特殊字符的标题 """ """ 使用re.compile()将正则表达式的字符串形式编译为一个对象，通过该对象提供的一些列方法对文本 进行匹配查找 re.sub() 第一个参数对应的正则表达式，第二个参数为要替换成的字符串， 第三个参数为源字符串 """ pattern = re.compile(r"[\/\\\:\*\?\"\<\>\|]") # '/ \ : * ? " < > |' new_title = re.sub(pattern, "_", title) # 替换为下划线 return new_title for page in range(1, 11): """ 发送请求的url地址，唯一资源定位符 headers: 请求头 把python伪装成浏览器对服务器发送请求， 然后服务器会给我们返回一个响应数据 请求头所加的参数都是可以在开发者工具中的headers里面的request headers中找到的 比如 user-agent：代表着浏览器的信息 cookies：用户的信息 常用于检测是否有登陆账号 host：域名 referer：常说的防盗链，告诉服务器是从哪个网页跳转过来的 请求方式：可以通过开发者工具中headers里面的数据看到是什么样的请求方式 get请求： 是可以直接从服务器上面获取数据 post请求：需要向服务器发送一个数据 比如说(搜索/登陆) response：响应对象 状态码： 200表示请求成功 300：重定向 跳转 400：通常是url网址不对 500 一般是服务器问题 获取网页文本数据 response.text 获取网页json字典数据 response.json() 获取网页二进制数据 response.content """ url = 'https://blog.csdn.net/qdPython/article/list/{page}' headers = { 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Safari/537.36' } response = requests.get(url=url, headers=headers) """ 把 html 字符串数据转换成一个 Selector 对象 Selector 就具有一系列数据解析的方法 css/xpath/re 类选择器 都是使用圆点.开头 ID选择器 是使用#开头 属性选择器： ::text获取标签里面的文本数据 ::attr(xxx) 获取标签内某一个属性的数据 get() 从 Selector 对象中提取第一个数据, 直接返回字符串数据给我们 getall() 从 Selector 对象中提取提取所有数据, 返回一个列表 """ selector = parsel.Selector(response.text) href = selector.css('.article-list div.article-item-box a::attr(href)').getall() for link in href: response_1 = requests.get(url=link, headers=headers) selector_1 = parsel.Selector(response_1.text) title = selector_1.css('#articleContentId::text').get() content = selector_1.css('#content_views').get() new_title = change_title(title) # 创建文件保存地址以及保存文件的名字 和格式 pdf_path = 'pdf\\' + new_title + '.pdf' html_path = 'pdf\\' + new_title + '.html' # str.format() 字符串格式化方法 html = html_str.format(article=content) """ with open 打开文件时, 当文件对象引用完毕之后会自动关闭文件 html_path：文件保存路径以及名字格式 mode：保存方式 w 写入 如果你不写mode默认是r 读 encoding： 编码 as f 重命名 可以自定义 f = open() f.writer() f.close() """ with open(html_path, mode='w', encoding='utf-8') as f: f.write(html) print('正在保存：', title) # exe 文件存放的路径 config = pdfkit.configuration(wkhtmltopdf='C:\\Program Files\\wkhtmltopdf\\bin\\wkhtmltopdf.exe') # 把 html 通过 pdfkit 变成 pdf 文件 pdfkit.from_file(html_path, pdf_path, configuration=config) os.remove(html_path)
兄弟们快去试试吧！