微信号:crossincode

介绍:每天5分钟,学点简单的编程,用新的思维方式看世界.【声明:公众号搜出的另一个同名是山寨货】

一键下载:将知乎专栏导出成电子书

2018-08-09 13:14 Crossin先生

老是有同学问,学了 Python 基础后不知道可以做点什么来提高。今天就再用个小例子,给大家讲讲,通过 Python爬虫,可以完成怎样的小工具。

在知乎上,你一定关注了一些不错的专栏(比如 Crossin的编程教室)。但万一有那么一天,你喜欢的答主在网上被人喷了,一怒之下删帖停更,这些好内容可就都看不到了。尽管这是小概率事件(可也不是没发生过),但未雨绸缪,你可以把关注的专栏导出成电子书,这样既可以离线阅读,又不怕意外删帖了。

只是需要工具和源码的可以拉到文章底部获取代码。

【最终效果】

运行程序,输入专栏的 id,也就是网页地址上的路径:


之后程序便会自动抓取专栏中的文章,并按发布时间合并导出为 pdf 文件。



【实现思路】

这个程序主要分为三个部分:

  1. 抓取专栏文章地址列表

  2. 抓取每一篇文章的详细内容

  3. 导出 PDF

1. 抓取列表

在之前的文章 爬虫必备工具,掌握它就解决了一半的问题 中介绍过如何分析一个网页上的请求。按照其中的方法,我们可以通过开发者工具Network 功能找出专栏页面获取详细列表的请求:

https://www.zhihu.com/api/v4/columns/crossin/articles

观察返回结果中发现,通过 nextis_end 的值,我们能获取下一次列表请求的地址(相当于向下滚动页面的触发效果)以及判断是否已经拿到所有文章。

data 中的 idtitleurl 就是我们需要的数据。因为 url 可以通过 id 拼出,所以我们的代码里未保存它。


使用一个 while 循环,直到抓取完所有文章的 idtitle,保存在文件中。

while True:
    resp = requests.get(url, headers=headers)
    j = resp.json()
    data = j['data']
   for article in data:
       # 保存id和title(略)    if j['paging']['is_end']:
       break    url = j['paging']['next']
   # 按 id 排序(略)
   # 导入文件(略)

2. 抓取文章

有了所有文章的 id / url,后面的抓取就很简单了。文章主体内容就在 Post-RichText 的标签中。

需要稍微花点功夫的是一些文本上的处理,比如原页面的图片效果,会加上 noscript 标签和 data-actualsrc="data:image 这样的属性,我们为了正常显示得把它们去掉。

url = 'https://zhuanlan.zhihu.com/p/' + id
html = requests.get(url, headers=headers).text
soup = BeautifulSoup(html, 'lxml')
content = soup.find(class_='Post-RichText').prettify()
# 对content做处理(略)
with open(file_name, 'w') as f:    f.write(content)

到这一步,就已经完成了所有内容的抓取,可以在本地阅读了。

3. 导出 PDF

为了更便于阅读,我们使用 wkhtmltopdf + pdfkit,将这些 HTML 文件打包成 PDF。

wkhtmltopdf 是一个 HTML 转 PDF 的工具,需要单独安装,具体可参考它的官网介绍。

  • https://wkhtmltopdf.org/downloads.html

  • https://github.com/JazzCore/python-pdfkit/wiki/Installing-wkhtmltopdf

pdfkit 是对此工具封装的 Python 库,可从 pip 安装:

pip install pdfkit

使用起来很简单:

# 获取htmls文件名列表(略)
pdfkit.from_file(sorted(htmls), 'zhihu.pdf')

这样就完成了整个专栏导出。

不仅是知乎专栏,几乎大多数信息类网站,都是通过 1.抓取列表 2.抓取详细内容 这两个步骤来采集数据。因此这个代码稍加修改,即可用在很多别的网站上。只不过有些网站需登录后访问,那么就需要对 headers 里的 cookie 信息进行设置。此外,不同网站的请求接口、参数、限制都不尽相同,所以还是要具体问题具体分析。

关于这些爬虫的开发技巧,都可以在我们的 爬虫实战 课程中学到。有需要的请在公众号里回复 爬虫实战

【源码下载】

获取知乎专栏下载器源码,请在公众号(Crossin的编程教室)里回复关键字 知乎

除了代码外,本专栏打包好的 PDF 也一并奉上,欢迎阅读与分享。




如需了解视频课程及答疑群等更多服务,请号内回复 码上行动

代码相关问题可以在论坛上发帖提问 bbs.crossincode.com


推荐阅读:

押韵工具 | 虎扑 开发工具 世界杯 | 高考 | 我用Python | 知乎 | 排序 | 朋友圈 | 电影票 | 技术宅 | 单词表 | 新手建议 



欢迎加入

Crossin的编程教室

crossincode.com


  请把我们分享给身边爱学习的小伙伴 :)  

点击文末“阅读原文”,查看更多学习资源

 
Crossin的编程教室 更多文章 不懂就问,这波虎扑diss吴亦凡属于什么水平? 【每周一坑】鸡兔同笼 +【解答】房贷计算器 他花了14个小时找了一下长春长生们究竟卖到了哪里去 大家都是拷贝,凭什么你这么秀? 【粉丝福利】天气太热,所以给大家送几本书
猜您喜欢 VR游戏能这样玩,实在太酷了! 58 同城 iOS 客户端组件化演变历程 增长裂变,从朋友圈网易云音乐刷屏说起 | 说好来篇真的,伪产品系列 最牛B的编码套路 如何优雅地构建易维护、可复用的 Android 业务流程