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

sergiojune

发布于 2018-04-04 11:38:55

9430

发布于 2018-04-04 11:38:55

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：

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。

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