爬取《The Hitchhiker’s Guide to Python!》python进阶书并制成pdf

这是日常学python的第15篇原创文章

前几篇文章我们学习了requests库和正则,还有个urllib库,我上篇文章也用了requests库来教大家去爬那些返回json格式的网页,挺好玩的。有读者让我来个正则的,所以我今天就来个正则+requests来进行爬取。

今天原来是想爬小说的,但想到我不怎么看小说,读者也是都喜欢学习的,对吧?嘻嘻!所以我来爬个与python相关的内容,恰好前几天我又看到别人推荐的一本python进阶书,这本书的作者是我们的python大神kennethreitz征集各路爱好python的人所写的,下面是地址:

中文版:http://pythonguidecn.readthedocs.io/zh/latest/

英文版:http://docs.python-guide.org/en/latest/

这本书适合于一切有python的学习者,不管你是初入python的小白,还是熟练使用python的老手,都适用。但是不看也没有影响你学习爬虫哈,这个只是说些python的奇淫技巧。

由于这本书在网上只有英语的电子版,可我英语渣渣,所以爬个中文版的网页然后把他弄成电子版。

若想直接获取该书电子版,可以在公众号「日常学python」后台回复『进阶』直接获取。

本篇文章用到的工具如下:

  • requests库
  • 正则表达式
  • Sigil:将html网页转成epub电子书
  • epub转pdf:http://cn.epubee.com/epub转pdf.html

好了,下面详细分析:

1

分析网站内容

可以看到首页中有整本书的内容链接,所以可以直接爬首页获取整本书的链接。

熟练地按下f12查看网页请求,非常容易找到这个

请求网站为:http://pythonguidecn.readthedocs.io/zh/latest/

请求方式为get,状态码为200,而且返回的是html元素,所以我们可以用正则来匹配所需要的内容。

那看看我们的匹配内容所在的地方

可以看到这个内容的地址和内容标题都在这个a标签上,所以正则很容易,如下:

toctree-l1.*?reference internal" href="([^"]*?)">(.*?)</a>

不知道你的正则学得怎样了,这里还是简单说下:

  • .:这个是概括字符集,为匹配除换行符以外的任意字符
  • *:这个是数量词,匹配的次数为0次以上
  • ?:加了这个问号表示非贪婪,一般默认为贪婪
  • [^"]:这个表示不匹配双引号,挺好用的

实在不记得的可以看看我这篇文章,这里不详细说了,不记得就点开爬虫必学知识之正则表达式下篇看看

这里需要注意的是:在这里获取的网址列表里面有个内容的导航,如下

所有我们在匹配完之后还需要再将这些带#号的网址给过滤掉。

接下来的就是获取每个网页的内容

可以看到内容都在这个div标签内,所以和上面一样,用正则就可以获取了。

ps: 其实这里用BeautifulSoup更好用,我会在后面文章中讲到哈!

匹配内容的正则为:

section".*?(<h1>.*?)<div class="sphinxsidebar

因为我的那个工具是把这些内容的html下载下来就可以了,所以接下来不需要清洗里面的html元素。

内容分析完毕,接下来的就容易了,就是用个循环把遍历所有文章,然后就利用正则把他爬下来就可以了。

2

实操部分

import re, requests

class Spider(object):
    def __init__(self, headers, url):
        self.headers = headers
        self.url = url

    def __get_hrefs(self):
        '''获取书本的所有链接'''
        response = requests.get(self.url, self.headers)
        if response.status_code == 200:
            response.encoding = 'utf-8'
            hrefs = re.findall('toctree-l1.*?reference internal" href="([^"]*?)">(.*?)</a>', response.text, re.S)
            return hrefs
        else:
            print('访问书本内容失败,状态码为', response.status_code)

    def __get_page(self, url):
        '''获取首页'''
        response = requests.get(url, self.headers)
        response.encoding = 'utf-8'
        content = re.findall('section".*?(<h1>.*?)<div class="sphinxsidebar', response.text, re.S)
        return content[0]

    def __get_content(self, href):
        '''获取每个页面的内容'''
        if href:
            href = self.url + href
            response = requests.get(href, self.headers)
            response.encoding = 'utf-8'
            content = re.findall('section".*?(<h1>.*?)<div class="sphinxsidebar', response.text, re.S)
            if content:
                return content[0]
            else:
                print('正则获取失败')
        else:
            print('获取内容失败')

    def run(self):
        '''循环获取整本书内容'''
        self.num = 0
        hrefs = self.__get_hrefs()
        content = self.__get_page(self.url)
        with open(str(self.num)+'Python最佳实践指南.html', 'w', encoding='utf-8') as f:
            f.write(content)
            print('写入目录成功')
        for href, title in hrefs:
            if "#" in href:
                continue
            self.num += 1
            content = self.__get_content(href)
            with open(str(self.num)+title+'.html', 'w', encoding='utf-8') as f:
                f.write(content)
                print('下载第'+str(self.num)+'章成功')
        print('下载完毕')


def main():
    url = 'http://pythonguidecn.readthedocs.io/zh/latest/'
    headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36'}
    spider = Spider(headers, url)
    spider.run()


if __name__ == '__main__':
    main()

点击运行,感觉美滋滋,可惜啊,代码总是爱玩弄你,赶紧报了个错:

  File "E:/anaconda/python_project/newspaper/spider.py", line 52, in run
    with open(str(self.num)+title+'.html', 'w', encoding='utf-8') as f:
FileNotFoundError: [Errno 2] No such file or directory: '38与C/C++库交互.html'

一眼看下去,还挺郁闷的,我没有打开文件的,都是在写文件,为什么报了这个错?仔细一看报错内容,这个名字有问题啊,你看

38与C/C++库交互.html

这个在window系统是以为你在 38与C C++库交互.html 下的,怪不得会报错,所以,我在这里加了这个代码把 / 给替换

3

把内容整成pdf

点击Sigil 的 + 号把刚才下载的内容导入

生成目录

添加书名作者

添加封面:点击左上角的 工具 -> 添加封面 即可

点击保存即可完成

转pdf:http://cn.epubee.com/epub转pdf.html

这个很容易就不说了。

结语

好了,文章内容就这么多,下个文章就是学习新内容了。期待ing。

上述文章如有错误欢迎在留言区指出,如果这篇文章对你有用,点个赞,转个发如何?

原文发布于微信公众号 - 日常学python(daily_learn)

原文发表时间:2018-03-28

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏性能与架构

条件语句小技巧

“高性能javascript” 这本书中提到了一个“查找表”的概念,建议在有大量离散值要测试时,if-else 和 switch 都比使用查找表慢很多,依据是运...

28570
来自专栏点滴积累

geotrellis使用(二十九)迁移geotrellis至1.1.1版

目录 前言 升级过程 总结 一、前言        由于忙着安装OpenStack等等各种事情,有半年的时间没有再亲密的接触geotrellis,甚至有半年的时...

36740
来自专栏小轻论坛

3个少有人知的word小技巧,5秒学会,超实用!

一提到娱乐明星八卦、军事野史鸡汤,大家都迫不及待乖巧等听,哪怕挤出吃饭睡觉时间也要认真关注。提到工作学习技能、素质锻炼提升,很多人就连连摆手一脸抗拒,没时间没精...

7020
来自专栏jouypub

Spring Task中cron表达式详解

_{秒}:取值范围(0-59),不允许为空值,若值不合法,调度器将抛出SchedulerException异常

19010
来自专栏牛客网

蚂蚁金服暑期实习生一面总结

70120
来自专栏Python数据科学

Python爬虫之一个海贼迷的呐喊

海贼王已经10年了,一路陪伴了我们的点点滴滴。它热血,激情,感人,欢乐,吸引了无数男女老少的紧紧跟随。

12730
来自专栏小詹同学

爬点重口味的 。

小弟最近在学校无聊的很哪,浏览网页突然看到一张图片,对面的女孩看过来(邪恶的一笑),让人想入非非啊,一看卧槽,左边这妹子彻底赢了,这(**)这么大,还这么漂亮,...

16120
来自专栏点滴积累

geotrellis使用(十)缓冲区分析以及多种类型要素栅格化

目录 前言 缓冲区分析 多种类型要素栅格化 总结 参考链接 一、前言        上两篇文章介绍了如何使用Geotrellis进行矢量数据栅格化以及栅格渲染,...

38080
来自专栏小樱的经验随笔

BugkuCTF 计算器

前言 写了这么久的web题,算是把它基础部分都刷完了一遍,以下的几天将持续更新BugkuCTF WEB部分的题解,为了不影响阅读,所以每道题的题解都以单独一篇文...

280100
来自专栏me的随笔

【译】《Clean C#》

本文是《Clean C#》一书译文的序言,阅读译文请移步至:《Clean C#》译文。

14120

扫码关注云+社区

领取腾讯云代金券