【Python】用python将html转化为pdf
其实早在去年就有做过，一直没有写，先简单记录下
1、主要用到的工具【wkhtmltopdf】
【下载地址】wkhtmltopdf
根据系统选择安装包，速度有点慢，先挂着
2、下载Python库
pip install pdfkit
pip install wkhtmltopdf3、简单代码验证
import pdfkit
pdfkit.from_url('http://baidu.com','out.pdf')
pdfkit.from_file('test.html','out1.pdf')
pdfkit.from_string('Hello World!','out2.pdf')
返回Done、True说明环境没有问题了
输出的pdf文件
打开pdf
源html是动态大尺寸，pdf显示静态，尺寸有减小
文件打开正常，说明代码没有问题，后面就可以自由发挥爬虫技能
此外支持列表
pdfkit.from_url(['google.com', 'yandex.ru', 'engadget.com'], 'out.pdf')
pdfkit.from_file(['file1.html', 'file2.html'], 'out.pdf')支持文件对象
with open('file.html') as f:
pdfkit.from_file(f, 'out.pdf')作为string变量，操作pdf
# Use False instead of output path to save pdf to a variable
pdf = pdfkit.from_url('http://google.com', False)指定pdf格式（选项设置）
参考https://wkhtmltopdf.org/usage/wkhtmltopdf.txt
options = {
'page-size': 'Letter',
'margin-top': '0.75in',
'margin-right': '0.75in',
'margin-bottom': '0.75in',
'margin-left': '0.75in',
'encoding': "UTF-8",
'custom-header' : [
('Accept-Encoding', 'gzip')
]
'cookie': [
('cookie-name1', 'cookie-value1'),
('cookie-name2', 'cookie-value2'),
],
'no-outline': None
}
pdfkit.from_url('http://google.com', 'out.pdf', options=options)默认的，pdfkit会show出所有的output，如果你不想使用，可以设置为quite：
options = {'quiet': ''}
pdfkit.from_url('google.com', 'out.pdf', options=options)传入任何html标签【烦人广告说拜拜，真正做到网页私人定制】
body = """
<html>
<head>
<meta name="pdfkit-page-size" content="Legal"/>
<meta name="pdfkit-orientation" content="Landscape"/>
</head>
Hello World!
</html>
"""
pdfkit.from_string(body, 'out.pdf') #with --page-size=Legal and --orientation=Landscape【改进】
将之前的save_file方法改成save_to_pdf，并且在get_body方法中直接返回str(div)，而不是div.text。代码如下：
def save_to_pdf(url):
'''
根据url，将文章保存到本地
:param url:
:return:
'''
title=get_title(url)
body=get_Body(url)
filename=author+'-'+title+'.pdf'
# windows系统文件名特殊字符，建议网上百度，然后替换即可
if '/' in filename:
filename=filename.replace('/','+')
if '\' in filename:
filename=filename.replace('\','+')
print(filename)
options = {
'page-size': 'Letter',
'encoding': "UTF-8",
'custom-header': [
('Accept-Encoding', 'gzip')
]
}
config=pdfkit.configuration(wkhtmltopdf=r'C:Program Fileswkhtmltopdfinwkhtmltopdf.exe')
pdfkit.from_string(body,filename,options=options,configuration=config)
print('打印成功！')【文件命名规范】
自媒体的出现，文件命名开始五花八门，下面用一行代码去除非法字符
# Python中过滤Windows文件名中的非法字符
import re
title='xxxxxxx'
fileName = re.sub(r'[\/:*?"<>|
]+','-',title)
# 去掉非法字符,在[]中*不需要转义,此时*不表示多次匹配,就表示本身的字符 【参考链接】
https://blog.csdn.net/xc_zhou/article/details/80952168