前些天無意間看到了“birdben”的博客，寫的比較詳細，但是最新的文章更新時間是“2017-05-07”，時間很是久遠，本打算有時間認真學習一下博主所寫的文章，但是擔心網站會因為某些原因停止服務，於是想到將博主寫的所有文章爬下來保存成pdf，說幹就幹！

你們可以點擊這裏，查看博主的網站。

一、使用到的模塊

　　pdfkit：可以將文本、html、url轉成pdf，但是需要安裝wkhtmltopdf.exe，並獲取它的安裝路徑

　　　　　　pdfkit是基於wkhtmltopdf的python封裝，支持url，本地文件，文本內容轉成pdf，最終還是調用wkhtmltopdf的命令

　　PyPDF2：處理pdf的模塊，可讀可寫可合並

二、思路分析

　　1、博客url分析

主頁url：https://birdben.github.io/
第二頁url：https://birdben.github.io/page/2/
最後一頁url：https://birdben.github.io/page/14/

　某篇文章的url：

　　查看主頁的html

　　可以看出：該博客網站共有15個主頁面，每篇文章的url可以使用 “主頁url” + “href”　　（見上圖）

　　2、整體思路

• • 生成所有頁面的url列表
  • 遍歷每個頁面的url，在html中匹配出每個文章的href，拼接成每個文章的url
  • 利用url生成pdf
  • 合並pdf

三、代碼過程

　　1、博客網站共有15個頁面，生成這15個頁面的url

	def geturl():
	    url = "https://birdben.github.io/archives/"
	    list = [url]
	    for i in range(2,15):
	        str = "%spage/%d/" % (url,i)
	        list.append(str)
    　　　　  return list

　　　返回的結果：

　　2、根據已經獲得的頁面url，讀取url，查看html，匹配符合要求的href　

	def getname(url,):
	    r = requests.get ( url )
	    str = "".join(r.text)
	    pattern = re.compile(r‘<a class="archive-article-title" href="(.*)">.*?</a>‘)
	    match = pattern.findall(str)
	    r.close()
    　　　　 return match

　　結果：

　　3、拼接url，生成每個文章的url，利用url轉成pdf

　　4、合並pdf

四、最終代碼

import requests
import re
import pdfkit
from PyPDF2 import PdfFileReader, PdfFileMerger
import os

#獲取一個頁面所有的 文章全稱 用於構建每篇文章的url路徑
def getname(url,):
    r = requests.get ( url )
    str = "".join(r.text)
    pattern = re.compile(r‘<a class="archive-article-title" href="(.*)">.*?</a>‘)
    match  = pattern.findall(str)
    r.close()
    return match

#獲取他的所有頁面，每個頁面會有很多文章
def geturl():
    url = "https://birdben.github.io/archives/"
    list = [url]
    for i in range(2,15):
        str = "%spage/%d/" % (url,i)
        list.append(str)
    return list

#將url轉換成pdf
def savepdf(url,pdfname):
    path_wkthmltopdf = r"C:\Program Files\wkhtmltopdf\bin\wkhtmltopdf.exe"
    config = pdfkit.configuration ( wkhtmltopdf=path_wkthmltopdf )
    pdfkit.from_url ( url , pdfname , configuration=config )

#爬取所有文章轉成pdf
def do():
    urllist = geturl()
    for url in urllist:
        namelist = getname(url)
        for blog in namelist:
            blogurl = "https://birdben.github.io" + blog
            pdfname = r"pdf\%s.pdf" % blog.strip("/").split("/")[-1]　　#將pdf保存到當前目錄下的pdf目錄下，需提前創建
            print(blogurl,pdfname)
            savepdf(blogurl,pdfname)

#合並pdf
def mergepdf(tmpdir,mergename):　　#合並文件存放的路徑，合並後的pdf文件名
    merger = PdfFileMerger()
    listfile = [os.path.join(tmpdir, file) for file in os.listdir(tmpdir)]
    for file in listfile:
        if file.endswith(‘.pdf‘):
            filemsg = PdfFileReader(open(file, ‘rb‘))
            label = file.split(‘\\‘)[-1].replace(".pdf", "")
            merger.append (filemsg, bookmark=label , import_bookmarks=False)
    merger.write(mergename)
    merger.close()

　以上代碼是使用到的所有函數

　執行：

if __name__ == ‘__main__‘:
    do()
    #mergepdf("merge",r"merge\docker.pdf")　　 當do函數執行完後，將需要合並的pdf放到merge目錄下（提前創建），再將do註釋，再執行mergepdf函數即可

　　爬取所有文章生成pdf，將生成的pdf放在pdf目錄下，需提前創建

將每部分pdf拷貝到另外目錄merge下

最終的pdf：

爬取博客並轉成pdf