爬取知识星球,并制作 PDF 电子书。https://www.zsxq.com/
本代码参考了网上的其他开源代码和一些文章。
我需要生成一个可以真正方便我浏览知识星球中历史内容的 PDF,但是感觉大家只偏重于技术实现,不太满足我的需求,所以就自己再加工了一版。
目前生成的 PDF 至少能够让自己满意了。
- 支持下载图片并写入 PDF。
- 支持 PDF 中显示链接。
- 支持下载评论。
- 可控制只下载精华内容或下载全部内容。
- 支持按时间区间下载。
- Python 3.7 测试通过。
- 安装 wkhtmltox,https://wkhtmltopdf.org/downloads.html。安装后将 bin 目录加入到环境变量。
- 安装相应依赖:pip install pdfkit
- 安装 BeautifulSoup:pip install BeautifulSoup4
- 安装 Requests:pip install requests
参考以下配置内容
ZSXQ_ACCESS_TOKEN = '86D82CA0-301A-3797-8528-D09322903A59_6DF24A4ED3558CD4' # 登录后Cookie中的Token(必须修改)
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:79.0) Gecko/20100101 Firefox/79.0' # 登录时使用的User-Agent(必须修改)
GROUP_ID = '452445212848' # 知识星球中的小组ID
PDF_FILE_NAME = '电子书.pdf' # 生成PDF文件的名字
DOWLOAD_PICS = True # 是否下载图片 True | False 下载会导致程序变慢
DOWLOAD_COMMENTS = True # 是否下载评论
ONLY_DIGESTS = False # True-只精华 | False-全部
FROM_DATE_TO_DATE = False # 按时间区间下载
EARLY_DATE = '2017-05-25T00:00:00.000+0800' # 最早时间 当FROM_DATE_TO_DATE=True时生效 为空表示不限制 形如'2017-05-25T00:00:00.000+0800'
LATE_DATE = '2018-05-25T00:00:00.000+0800' # 最晚时间 当FROM_DATE_TO_DATE=True时生效 为空表示不限制 形如'2017-05-25T00:00:00.000+0800'
DELETE_PICS_WHEN_DONE = True # 运行完毕后是否删除下载的图片
DELETE_HTML_WHEN_DONE = True # 运行完毕后是否删除生成的HTML
COUNTS_PER_TIME = 30 # 每次请求加载几个主题 最大可设置为30
DEBUG = False # DEBUG开关
DEBUG_NUM = 120 # DEBUG时 跑多少条数据后停止 需与COUNTS_PER_TIME结合考虑
SLEEP_FLAG = True # 请求之间是否SLEEP避免请求过于频繁
SLEEP_SEC = 2 # SLEEP秒数 SLEEP_FLAG=True时生效
ZSXQ_ACCESS_TOKEN 需要自己在浏览器里登录一次,然后查看Cookie中的值。
USER_AGENT 需要保证和登录时的一致。
GROUP_ID 可以从浏览器地址栏中看到,或者截取网络请求。
修改完以上参数后,cd到文件夹所在路径,运行crawl.py。
- 请大家合理使用本代码,不要随意传播生成的PDF,保护网站及作者的合法权益。
- 爬虫会对网站性能造成一定影响,请勿频繁使用,在必要时合理使用,大家都是去学习知识的,体谅一下吴老板。
No comments:
Post a Comment