溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
小編給大家分享一下如何爬取微信公眾號文章并保存為PDF文件，希望大家閱讀完這篇文章之后都有所收獲，下面讓我們一起去探討吧！
pip install wechatsogou --upgrade
wechatsogou是一個基于搜狗微信搜索的微信公眾號爬蟲接口
使用方法如下所示
import wechatsogou # captcha_break_time為驗證碼輸入錯誤的重試次數，默認為1 ws_api = wechatsogou.WechatSogouAPI(captcha_break_time=3) # 公眾號名稱 gzh_name = '' # 將該公眾號最近10篇文章信息以字典形式返回 data = ws_api.get_gzh_article_by_history(gzh_name)
data數據結構：
{
'gzh': {
'wechat_name': '', # 名稱
'wechat_id': '', # 微信id
'introduction': '', # 簡介
'authentication': '', # 認證
'headimage': '' # 頭像
},
'article': [
{
'send_id': int, # 群發id，注意不唯一，因為同一次群發多個消息，而群發id一致
'datetime': int, # 群發datatime 10位時間戳
'type': '', # 消息類型，均是49（在手機端歷史消息頁有其他類型，網頁端最近10條消息頁只有49），表示圖文
'main': int, # 是否是一次群發的第一次消息 1 or 0
'title': '', # 文章標題
'abstract': '', # 摘要
'fileid': int, #
'content_url': '', # 文章鏈接
'source_url': '', # 閱讀原文的鏈接
'cover': '', # 封面圖
'author': '', # 作者
'copyright_stat': int, # 文章類型，例如：原創啊
},
...
]
}這里需要得到兩個信息：文章標題，文章url。
得到文章url以后，就可以根據url將html頁面轉換成pdf文件了。
下載地址:https://wkhtmltopdf.org/downloads.html
pip install pdfkit
import pdfkit
# 根據url生成pdf
pdfkit.from_url('http://baidu.com','out.pdf')
# 根據html文件生成pdf
pdfkit.from_file('test.html','out.pdf')
# 根據html代碼生成pdf
pdfkit.from_string('Hello!','out.pdf')如果直接用上面得到的文章url去生成pdf，會出現pdf文件不顯示文章圖片的問題。
解決辦法：
# 該方法根據文章url對html進行處理，使圖片顯示 content_info = ws_api.get_article_content(url) # 得到html代碼(代碼不完整，需要加入head、body等標簽) html_code = content_info['content_html']
然后根據html_code構造完整的html代碼，調用pdfkit.from_string()方法生成pdf文件，這時候會發現文章中的圖片在pdf文件中顯示出來了。
import os
import pdfkit
import datetime
import wechatsogou
# 初始化API
ws_api = wechatsogou.WechatSogouAPI(captcha_break_time=3)
def url2pdf(url, title, targetPath):
'''
使用pdfkit生成pdf文件
:param url: 文章url
:param title: 文章標題
:param targetPath: 存儲pdf文件的路徑
'''
try:
content_info = ws_api.get_article_content(url)
except:
return False
# 處理后的html
html = f'''
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>{title}</title>
</head>
<body>
<h3 style="text-align: center;font-weight: 400;">{title}</h3>
{content_info['content_html']}
</body>
</html>
'''
try:
pdfkit.from_string(html, targetPath + os.path.sep + f'{title}.pdf')
except:
# 部分文章標題含特殊字符，不能作為文件名
filename = datetime.datetime.now().strftime('%Y%m%d%H%M%S') + '.pdf'
pdfkit.from_string(html, targetPath + os.path.sep + filename)
if __name__ == '__main__':
# 此處為要爬取公眾號的名稱
gzh_name = ''
targetPath = os.getcwd() + os.path.sep + gzh_name
# 如果不存在目標文件夾就進行創建
if not os.path.exists(targetPath):
os.makedirs(targetPath)
# 將該公眾號最近10篇文章信息以字典形式返回
data = ws_api.get_gzh_article_by_history(gzh_name)
article_list = data['article']
for article in article_list:
url = article['content_url']
title = article['title']
url2pdf(url, title, targetPath)看完了這篇文章，相信你對“如何爬取微信公眾號文章并保存為PDF文件”有了一定的了解，如果想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
