爬取微信公众号文章并保存为PDF文件（Python方法）-9543建站博客

广告：宝塔服务器面板，一键全能部署及管理，送你10850元礼包，点我领取~~~

爬取微信公众号文章并保存为PDF文件（Python方法）

【相关学习推荐：微信公众号开发教程】

前言

第一次写博客，主要内容是爬取微信公众号的文章，将文章以PDF格式保存在本地。

爬取微信公众号文章（使用wechatsogou）1.安装

pip install wechatsogou --upgrade

登录后复制

wechatsogou是一个基于搜狗微信搜索的微信公众号爬虫接口

2.使用方法

使用方法如下所示

import wechatsogou# captcha_break_time为验证码输入错误的重试次数，默认为1ws_api = wechatsogou.WechatSogouAPI(captcha_break_time=3)# 公众号名称gzh_name = ''# 将该公众号最近10篇文章信息以字典形式返回data = ws_api.get_gzh_article_by_history(gzh_name)

登录后复制

data数据结构：

{    'gzh': {        'wechat_name': '',  # 名称        'wechat_id': '',  # 微信id        'introduction': '',  # 简介        'authentication': '',  # 认证        'headimage': ''  # 头像    },    'article': [        {            'send_id': int,  # 群发id，注意不唯一，因为同一次群发多个消息，而群发id一致            'datetime': int,  # 群发datatime 10位时间戳            'type': '',  # 消息类型，均是49（在手机端历史消息页有其他类型，网页端最近10条消息页只有49），表示图文            'main': int,  # 是否是一次群发的第一次消息 1 or 0            'title': '',  # 文章标题            'abstract': '',  # 摘要            'fileid': int,  #            'content_url': '',  # 文章链接            'source_url': '',  # 阅读原文的链接            'cover': '',  # 封面图            'author': '',  # 作者            'copyright_stat': int,  # 文章类型，例如：原创啊        },        ...    ]}

登录后复制

这里需要得到两个信息：文章标题，文章url。

得到文章url以后，就可以根据url将html页面转换成pdf文件了。

生成PDF文件1.安装wkhtmltopdf

下载地址:https://wkhtmltopdf.org/downloads.html

2.安装pdfkit

pip install pdfkit

登录后复制3.使用方法

import pdfkit# 根据url生成pdfpdfkit.from_url('http://baidu.com','out.pdf')# 根据html文件生成pdfpdfkit.from_file('test.html','out.pdf')# 根据html代码生成pdfpdfkit.from_string('Hello!','out.pdf')

登录后复制

如果直接用上面得到的文章url去生成pdf，会出现pdf文件不显示文章图片的问题。

解决办法：

# 该方法根据文章url对html进行处理，使图片显示content_info = ws_api.get_article_content(url)# 得到html代码(代码不完整，需要加入head、body等标签)html_code = content_info['content_html']

登录后复制

然后根据html_code构造完整的html代码，调用pdfkit.from_string()方法生成pdf文件，这时候会发现文章中的图片在pdf文件中显示出来了。

完整代码

import osimport pdfkitimport datetimeimport wechatsogou# 初始化APIws_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: 文章标题    :param targetPath: 存储pdf文件的路径    '''    try:        content_info = ws_api.get_article_content(url)    except:        return False    # 处理后的html    html = f'''    <!DOCTYPE html>    <html lang="en">    <head>        <meta charset="UTF-8">        <title>{title}</title>    </head>    <body>    <h2 style="text-align: center;font-weight: 400;">{title}</h2>    {content_info['content_html']}    </body>    </html>    '''    try:        pdfkit.from_string(html, targetPath + os.path.sep + f'{title}.pdf')    except:        # 部分文章标题含特殊字符，不能作为文件名        filename = datetime.datetime.now().strftime('%Y%m%d%H%M%S') + '.pdf'        pdfkit.from_string(html, targetPath + os.path.sep + filename)if __name__ == '__main__':    # 此处为要爬取公众号的名称    gzh_name = ''    targetPath = os.getcwd() + os.path.sep + gzh_name    # 如果不存在目标文件夹就进行创建    if not os.path.exists(targetPath):        os.makedirs(targetPath)    # 将该公众号最近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)

登录后复制