爬取博主的所有文章并保存为PDF文件

继续改进上一个项目，上次我们爬取了所有文章，但是保存为TXT文件，查看不方便，而且还无法保存文章中的代码和图片。

所以这次保存为PDF文件，方便查看。

需要的工具：

1、wkhtmltopdf安装包，下载并安装到电脑上，可使用  pip安装  ，注意环境变量的配置。具体参见下面的资料。

2、pdfkit文件（whl文件），下载并安装到pycharm上。

注意安装 whl 文件时：最好吧把 保存 whl文件的文件夹的路径  D:\learning python\Scripts  添加到环境变量里面，然后在此文件夹下打开cmd，直接 pip install XXX.whl  即可。

调用顺序：程序代码会使用pdfkit，pdfkit会调用wkhtmltopdf，而wkhtmltopdf会调用windows中的wkhtmltopdf.exe来转化html为pdf。

1、在我们原理项目的基础上，修改 get_body 方法，直接返回str(div)，而不是div.text。

def get_body(url):
    """
    获取url下文章的正文内容
    :param url:
    :return:
    """
    html_page = get_html(url)
    soup = BeautifulSoup(html_page,'html.parser')   #HTML文档解析器
    div = soup.find(id = "cnblogs_post_body")
    return str(div)

2、然后就是主要的下载方法了：

和之前一样，先创建一个文件夹，然后吧PDF文件下载到刚刚创建的文件夹下面。

def save_single_file_to_PDF(url):
    """
    首先在py文件同目录下创建一个以博主名字为名的文件，用来存放爬取的所有文章
    将文章正文保存在txt文件中，名字为文章标题
    有些文章的标题可能不适合直接作为txt文件名，我们可以忽略这些文章
    :param url:
    :return:
    """
    global article_count    #使用全局变量，需要在函数中进行标识
    title = get_title(url)
    body = get_body(url)

    #获取当前目录文件，截取目录后，并自动创建文件
    FILE_PATH = os.getcwd()[:-0]+author
    if not os.path.exists(FILE_PATH):
        os.makedirs(FILE_PATH)

    options = {
        'page-size':'Letter',
        'encoding':"UTF-8",
        'custom-header':[('Accept-Encoding','gzip')]
    }

    try:
        filename = title + '.pdf'

        # 由于wkhtmltopdf软件的版本问题，只能手动设置软件目录，不然无法调用该软件。
        config = pdfkit.configuration(wkhtmltopdf=r"D:\learning python\wkhtmltopdf\bin\wkhtmltopdf.exe")
        #输出PDF文件
        pdfkit.from_string(body, 'D:\learning python\coding_python3.6\cnblog\\Andrew\\'+filename, options=options, configuration=config)

        article_count += 1  # 计数变量加1，统计总的下载文件数
        print(filename + "  file have saved...")     #提示文章下载完毕

    except:
        pass

但是需要注意的是：如果以上步骤有缺失，可能碰到的问题是：

1.关于no such file or directory:b'' 这种错误在python中出现时，意味着有.exe文件需要被调用，

而该.exe文件没有被安装或者在控制面板的环境变量中没有添加该.exe的路径。另外，有时候需要改pdfkit代码为下列两句，才可消除错误：

        # 由于wkhtmltopdf软件的版本问题，只能手动设置软件目录，不然无法调用该软件。
        config = pdfkit.configuration(wkhtmltopdf=r"D:\learning python\wkhtmltopdf\bin\wkhtmltopdf.exe")
        #输出PDF文件
        pdfkit.from_string(body, 'D:\learning python\coding_python3.6\cnblog\\Andrew\\'+filename, options=options, configuration=config)

运行结果：

项目完整代码：我的码云

参考资料：

项目启发：http://www.cnblogs.com/xingzhui/p/7887212.html

pdfkit安装：https://blog.csdn.net/appleyuchi/article/details/70947138