然后扩散一下之前一个比赛的结果(华章计算机抖音大赛)。

顺便谈谈自己对今后送书的一个想法。

另外之前的送书活动,有中奖的读者没有联系我,所以这回一并送出。

明天还会送两本书,大家也可以关注一下。

/ 01 / HTML转PDF

主要用到的库有pdfkit及wkhtmltopdf。

安装我就不说了,网上也是一堆教程,通过下面的代码也能略知一二。

需要注意的点就是,把网页转PDF的时候,需要将网页的图片下载下来,保存在本地。

然后生成网页时调用本地的图片,这样就不会出现在PDF中图片缺失的情况。

本次没有去设置详细的PDF参数,所以生成的PDF排版并不是很友好,不过还是能凑合看的。

具体转换代码如下。

import pandas as pd
import requests
import pdfkit
import os
import re
# 读取数据并清洗
df = pd.read_csv('article.csv', header=None, names=['title', 'digest', 'article_url', 'date'], encoding='gbk')
df['date'] = pd.to_datetime(df.date.values, unit='s', utc=True).tz_convert('Asia/Shanghai')
df_date = df['date'].astype(str).str.split(' ', expand=True)
df['day'] = df_date[0]
# 获取目录的绝对路径
fileDir = os.path.abspath(os.path.dirname('F:\\article_pdf'))
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 MicroMessenger/6.5.2.501 NetType/WIFI WindowsWechat QBCore/3.43.901.400 QQBrowser/9.0.2524.400",
}
proxies = {
"https": None,
"http": None,
}
# 设置转PDF参数
options = {
"page-size": "Letter",
"encoding": "UTF-8",
"custom-header": [
("Accept-Encoding", "gzip")
]
}
# 调用wkhtmltopdf
# confg = pdfkit.configuration(wkhtmltopdf=r"C:\Users\Administrator\wkhtmltox-0.12.5-1.mxe-cross-win64\wkhtmltox\bin\wkhtmltopdf.exe")
for title, url, date in zip(df['title'], df['article_url'], df['day']):
print(title, url, date)
# 替换特殊符号
title = re.sub('[\/::*?"<>|]', '', title)
title = title.replace('\\', '_')
# html文件名
html_name = '{}/{}.html'.format('F:\\article_pdf', date + '_' + title)
res = requests.get(url, headers=headers, proxies=proxies, timeout=3)
html = res.text
# 用?来控制正则贪婪和非贪婪匹配;(.*?) 小括号来控制是否包含匹配的关键字
pattern = re.compile(r'data-src=\"http.*?\"')
result = pattern.findall(html)
picCnt = 0
for i in result:
picCnt = picCnt + 1
url = re.findall(r'\"(.*?)\"', i)[0]
# 图片名
picture_name = '{}/{}.png'.format('F:\\article_pdf', str(picCnt))
# 调用本地图片
html = html.replace(url, picture_name)
# 获取图片内容
r = requests.get(url)
with open(picture_name, "wb+") as f:
f.write(r.content)
# 保存html文件
html = html.replace('data-src', 'src')
fd = open(html_name, 'w', encoding="utf-8")
fd.write(html)
fd.close()
pdf_name = '{}/{}.pdf'.format('F:\\article_pdf', date + '_' + title)
try:
# html转pdf
pdfkit.from_file(html_name, pdf_name, options=options)
except:
pass

最后成功生成所有文章的PDF。