Python 抓取「知识星球」精华并生成电子书

不正经开场白

是不是有时星球内容太多刷不过来？是不是想把星球精华内容撸下来做个电子书？

本文就带你实现用 Python 抓取星球内容，并生产 PDF 电子书。

话说，好久没更 Python 的了。

先上效果：

本文基于 https://github.com/96chh/crawl-zsxq。

涉及到隐私问题，这里我们以免费星球「万人学习分享群」为爬取对象。

1

过程分析

模拟登录

爬取的是网页版知识星球，地址为：

https://wx.zsxq.com/dweb/

这个网站并不是依靠 cookie 来判断你是否登录，而是请求头中的 Authorization 字段。

所以，需要把 Authorization，User-Agent 换成你自己的。

一般来说，星球使用微信扫码登录后，可以获取到一个 Authorization，这个有效期很长反正，真的很长。

headers = {    'Authorization': 'xxx',    'x-request-id': "7b898dff-e40f-578e-6cfd-9687a3a32e49",    'accept': "application/json, text/plain, */*",    'host': "api.zsxq.com",    'connection': "keep-alive",    'referer': "https://wx.zsxq.com/dweb/",    'user-agent': "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36",}

页面内容分析

登录成功后，一般我习惯右键、检查或者查看源代码。

但是这个页面比较特殊，它不把内容放到当前地址栏 URL 下，而是通过异步加载（XHR），只要找对接口就可以了。

精华区的接口：

https://api.zsxq.com/v1.10/groups/2421112121/topics?scope=digests&count=20

这个接口是最新 20 条数据的，还有后面数据对应不同接口，这就是后面要说的翻页。

制作 PDF 电子书

需安装模块：

1. wkhtmltopdf，用作导出 PDF，安装完成后可用命令生成 PDF，例如：wkhtmltopdf http://www.google.com.hk google.pdf

2. pdfkit，是 python 对 wkhtmltopdf 调用的封装，支持 URL、本地文件、文本内容到 PDF 的转换，实际转换还是最终调用 wkhtmltopdf 命令

本来精华区是没有标题的，我把每个问题的前 6 个字符当做标题，以此区分不同问题。

爬取图片

很明显，在返回的数据中的 images 键就是图片，只需提取 large 的，即高清的 url 即可。

关键在于将图片标签 img 插入到 HTML 文档。我使用 BeautifulSoup 操纵 DOM 的方式。

需要注意的是，有可能图片不止一张，所以需要用 for 循环全部迭代出来。

if content.get('images'):    soup = BeautifulSoup(html_template, 'html.parser')    for img in content.get('images'):        url = img.get('large').get('url')        img_tag = soup.new_tag('img', src=url)        soup.body.append(img_tag)        html_img = str(soup)        html = html_img.format(title=title, text=text)

制作精美 PDF

通过 css 样式来控制字体大小、布局、颜色等，详见 test.css 文件。

再将此文件引入到 options 字段中。

options = {    "user-style-sheet": "test.css",    ...    }

2

难点分析

翻页逻辑处理

爬取地址是：

{url}?scope=digests&count=20&end_time=2018-04-12T15%3A49%3A13.443%2B0800

路径后面的 end_time 表示加载帖子的最后日期，以此达到翻页。

这个 end_time 是经过 url 转义了的，可以通过 urllib.parse.quote 方法进行转义，关键是找出这个 end_time 是从那里来的。

经过我细细观察发现：每次请求返回 20 条帖子，最后一条贴子就与下一条链接的 end_time 有关系。

例如最后一条帖子的 create_time 是 2018-01-10T11:49:39.668+0800，那么下一条链接的 end_time 就是 2018-01-10T11:49:39.667+0800，注意，一个 668，一个 667 , 两者相差，于是我们便得到了获取 end_time 的公式：

end_time = create_time[:20]+str(int(create_time[20:23])-1)+create_time[23:]

不过事情没有那么简单，因为上一个 create_time 有可能是 2018-03-06T22%3A29%3A59.000%2B0800，-1 后出现了负数！

由于时分秒都有出现 0 的可能，看来最好的方法是，若出现 000，则利用时间模块 datetime 获取 create_time 的上一秒，然后在拼接 999。

# int -1 后需要进行补 0 处理，test_str.zfill(3)end_time = create_time[:20]+str(int(create_time[20:23])-1).zfill(3)+create_time[23:]# 时间出现整点时需要特殊处理，否则会出现 -1if create_time[20:23] == '000':    temp_time = datetime.datetime.strptime(create_time, "%Y-%m-%dT%H:%M:%S.%f+0800")    temp_time += datetime.timedelta(seconds=-1)    end_time = temp_time.strftime("%Y-%m-%dT%H:%M:%S") + '.999+0800'end_time = quote(end_time)next_url = start_url + '&end_time=' + end_time

处理过程有点啰嗦，原谅我时间后面的 000 我没找到直接处理的办法，只能这样曲线救国了。

判断最后一页

翻页到最后返回的数据是：

{"succeeded":true,"resp_data":{"topics":[]}}

故以 next_page = rsp.json().get('resp_data').get('topics') 来判断是否有下一页。

评论爬取

发现评论里也有很多有用的内容，评论的格式如下：

{    "comment_id": 15118288421852,    "create_time": "2018-08-16T16:19:39.216+0800",    "owner": {        "user_id": 1484141222,        "name": "xxx",        "alias": "xxx",        "avatar_url": "https://images.xxx"    },    "text": "他这个资源不做投资才傻",    "likes_count": 0,    "rewards_count": 0,    "repliee": {        "user_id": 484552118,        "name": "Kiwi",        "avatar_url": "https://images.zsxqxxxTRQKsci9Q="    }}

我们主要解析其中的 owner.name 和  text，其他信息我们暂时不关心，比如是对谁谁谁的回复，我们暂时只把评论列举出来。

# 评论解析comments = topic.get('show_comments')comments_str = ''if comments:    for comment in comments:        comments_str += comment.get('owner').get('name') + " : " + handle_link(comment.get('text'))        comments_str += '<br><br>'

最终评论展示效果：

3

优化

中文问题

生成 PDF 后，打开发现中文全部显示为方框，如下图：

这表示服务器未安装中文字体，安装字体即可，安装下面说明；

1. 查看目前安装字体：fc-list

2. 下载所需字体，例如 fangsong_GB2312.ttf

3. mkdir /usr/share/fonts/zh_CN

4. cp fangsong_GB2312.ttf /usr/share/fonts/zh_CN

5. 执行fc-cache -fv

6. 查看是否安装成功：fc-list，查看是已安装

重新生成后，一切 OK：

页面空白优化

生成成功，但是返现每篇文章默认都是新的一页，出现大块空白，阅读时非常别扭，于是我想着是否可以进行优化。

之所以是一篇星球推文显示成单独的一页，是因为原作者处理时，是将推文分别保存成 HTML 文件进行处理，然后再转换成 PDF。

那么我的思路就是，将每篇推文放在单独的 <body> 里，最后合并成一个 HTML，这样最终显示的就是连续的页面了。

修改前每篇文章自动分页，会存在大段空白：

修改后：

超链接优化

在原作者的代码中，没有对超链接进行处理，而星球中有大部分都是进行超链接的分享。

没有处理的原因是，抓取到的代码中，超链接是这种形式的：

<e type="web" href="https%3A%2F%2Fmp.weixin.qq.com%2Fs%2Fw8geobayB8sIRWYcxmvCSQ" title="5000%E5%AD%97%E9%95%BF%E6%96%87%E5%91%8A%E8%AF%89%E4%BD%A0%EF%BC%8CSEO%E6%AF%8F%E6%97%A5%E6%B5%81%E9%87%8F%E5%A6%82%E4%BD%95%E4%BB%8E0%E5%88%B010000%2B" cache="http%3A%2F%2Fcache.zsxq.com%2F201808%2F732760494981a6500d8aadf0469efbf205c21d23ca472826f13e127799973455"/>

发现是用 <e> 标签包围的，这不是 HTML 原生标签，所以导致无法解析，进而页面也无法展示，我们要做的就是从中解析出超链接内容，并拼接成 HTML 中的超链接。

另外，发现超链接的 URL 是转码后的内容，我们也需要对其进行处理。

这部分的处理代码如下：

# 对文本进行 URL 解码，要不后面解析处理也无法点击def handle_link(text):    # 星球中用 <e> 表示超链接    # 这里我们进行转换    soup = BeautifulSoup(text,"html.parser")    links = soup.find_all('e', attrs={'type':'web'})    if len(links):        for link in links:            title = link.attrs['title']            href = link.attrs['href']            s = '<a href={}>{} </a>'.format(href,title)            text += s    # 清理原文中的 <e> 标签    # 这里不清理也没问题，HTML 解析不了，页面也不会显示    # 但是，强迫症。    text = re.sub(r'<e[^>]*>', '', text).strip()    return text

处理后：

当然，最好的方式是把超链接的内容也爬取出来，一并放在 PDF 里，这里我就不搞了，有兴趣的尝试下吧。

换行处理

换行在星球上显示是这样的：

但是到 PDF 后，换行全部没了，大段文字看起来很费劲：

这个处理起来就比较简单了，只要将返回数据中的 \n 替换为 HTML 中的换行标签 <br> 即可：

例如获取精华正文时：

text = handle_link(unquote(content.get('text', '').replace("\n", "<br>")))

需要注意的是，需要在解码之前进行替换。

效果：

至此，基本需求已完成。

完整代码关注公众号后回复【星球】即可获取。

CSDN 免费下载福利  小B 早年积攒了一些 CSDN 的下载积分，下载免费给大家下载资料，但是只给群内的朋友服务，有需要的快入群吧！群内还有各路大佬，赠书福利也会在群里进行～

推荐阅读

我的 Python 学习资源分享

1 行代码，实现微信消息发送

如何优雅地使用 rm 防止误删除？

Python 爬虫闯关（第三关）

教你用 Python 来朗读网页

Python 爬取「知识星球」

你还在用 format 格式化字符串？

Python 玩转 Excel

你的关注是我持续写作的动力！

戳原文，查看原文博客。