[Python知识库] Python爬虫入门教程24：下载某网站付费文档保存PDF

这个网站如果你只是正常直接去复制文章内容的话，会直接弹出需要费的窗口…
在这里插入图片描述
但是这个网站上面的数据内容又非常好找，因为网站本身仅仅只是静态网页数据，可以直接获取相关的内容。

通过上述内容，如果想要批量下载文章内容，获取每篇文章的url地址即可，想要获取每篇文章的url地址，这就需要去文章的列表页面找寻相关的数据内容了。
在这里插入图片描述

💥整体思路

发送请求，对于文章列表url地址发送请求
获取数据，获取网页源代码数据内容
解析数据，提取文章url地址
发送请求，对于文章url地址发送请求
获取数据，获取网页源代码数据内容
解析数据，提取文章标题以及文章内容
保存数据，把获取的数据内容保存成PDF
转成PDF文件

💥代码实现

import requests
import parsel
import re
import os
import pdfkit

html_filename = 'html\\'
if not os.path.exists(html_filename):
    os.mkdir(html_filename)

pdf_filename = 'pdf\\'
if not os.path.exists(pdf_filename):
    os.mkdir(pdf_filename)

html_str = """
<!doctype html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Document</title>
</head>
<body>
{article}
</body>
</html>
"""


def change_title(name):
    pattern = re.compile(r"[\/\\\:\*\?\"\<\>\|]")  # '/ \ : * ? " < > |'
    new_title = re.sub(pattern, "_", name)  # 替换为下划线
    return new_title


for page in range(1, 11):
    print(f'正在爬取第{page}页数据内容')
    url = f'https://www.chinawenwang.com/zlist-55-{page}.html'
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
    }
    response = requests.get(url=url, headers=headers)
    href = re.findall('<h2><a href="(.*?)" class="juhe-page-left-div-link">', response.text)
    for index in href:
        response_1 = requests.get(url=index, headers=headers)
        selector = parsel.Selector(response_1.text)
        title = selector.css('.content-page-header-div h1::text').get()
        title = change_title(title)
        content = selector.css('.content-page-main-content-div').get()
        article = html_str.format(article=content)
        html_path = html_filename + title + '.html'
        pdf_path = pdf_filename + title + '.pdf'
        try:
            with open(html_path, mode='w', encoding='utf-8') as f:
                f.write(article)
            # 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)
            print(f'{title}保存成功...')
        except:
            pass