我是如何将博客转成PDF的
前言
只有光头才能变强
之前有读者问过我:“3y你的博客有没有电子版的呀?我想要份电子版的”。我说:“没有啊,我没有弄过电子版的,我这边有个文章导航页面,你可以去文章导航去找来看呀”..然后就没有然后了。
最近也有个读者提过这个问题,然后这两天也没什么事做,所以打算折腾折腾,看看怎么把博客转成pdf。
一、准备工作
要将博客转成pdf,我首先想到的是能不能将markdown文件转成pdf(因为平时我就是用markdown来写博客的)。
- 想了一下,原生markdown显示的话,代码是没有高亮的,格式也不会太好看。
- 所以就放弃了这个想法。
于是就去想一下,可不可以将html转成pdf呢。就去github搜了有没有相关的*,也搜到了一些关于python的爬虫啥的,感觉还是蛮复杂的。
后来,终于搜到了个不错的:
介绍:收集一系列html转文档的开源插件,做成html页面转文件的微服务集成web应用,目前包含 html转pdf、html转图片、html转markdown等等。
功能:
- 网页转pdf(参用wkhtml2pdf插件)
- 网页转图片(参用wkhtml2pdf插件)
- 网页转markdown(参用jhtml2md)
- 网页转word(参用apache poi)
这里我主要用到的网页转pdf这么一个功能,对应的插件是wkhtml2pdf。
1.1踩坑
发现了一个不错的*了,感觉可行,于是就去下载来跑一下看看怎么样。启动的时候倒没有出错,但在调接口的时候,老是抛出异常。
- 于是就开始查一下路径,url有没有问题啦,查来查去发现都没问题啊。
后来才发现我的wkhtml2pdf.exe
文件打不开,说我缺少几个dll文件。于是,我首先想到的是去wkhtml2pdf官网看看有没有相关的问题,想重新下载一个,但官网都进不去...(不是墙的问题)
- (ps:一个周末过去了,发现又能打开了。)
好吧,于是就去找‘dll文件缺失怎么办’。后面发现,安装一下visual c++ redistributable for visual studio 2015
就好了(没有网上说得那么复杂)
完了之后,发现可以将一个html转成pdf了,效果还不错:
- 有目录
- 可复制粘贴
- 可跳转到链接
- 清晰度好评
缺点:
- 页面加载速度慢的html,图片还没加载出来就已经生成pdf了
- 所以我选用了博客园(速度快)
- 在pdf的末尾有好几页不相关的(评论,广告啥的)
本来想着能不能只截取html博文的部分啊(评论,广告和其他不相关的不截取)。于是就去搜了一下,感觉是挺麻烦的,自己做了几次试验都没弄出来,最后放弃了。
后来又想了一下,我不是有一个没有广告的博客平台吗,刚好可以拿来用了。但是,我自己写完的markdown是没有全部保存在硬盘上的,后来发现简书可以下载已发布文章的所有markdown。
下载下来的文章,我想全部导入到之前那个无广告的博客平台上。但发现导出来的markdown没有高亮语法..
// 没有语法高亮咋看啊,所以到这里我就放弃了,将就用一下博客园生成的pdf吧
1.2爬虫学习
上面github提供的接口是一个url生成一个pdf文件,我是不可能一个一个将链接和标题放上去生成的(因为博客园上发的也将近200篇了)。
而我是一点也不会爬虫的,于是也去搜了一下java的爬虫*,发现一个很出名(webmagic)
于是就跟着文档学习,也遇到了坑...文档给出的版本是0.7.3
,我使用的jdk版本是8
,用它的例子跑的时候抛出了sslexception
异常(然而网上的0.6.x
版本是没有问题的)
折腾完折腾去,也找到了0.7.3
版本在jdk8上如何解决sslexception
异常的办法了:
修改httpclientdownloader和httpclientgenerator这两个类的部分代码就好了。
但是,我还是死活写不出能用的代码出来(真的菜!)..后来去问了一下同事(公众号:rude3knife)咋搞,他用python几分钟就写好了。
def get_blog_yuan(blog_name, header): for i in range(1, 6): url = 'https://www.cnblogs.com/' + blog_name + '/default.html?page=' + str(i) r = requests.get(url, headers=header, timeout=6) selector = etree.html(r.text) names = selector.xpath("//*[@class='posttitle']/a/text()") links = selector.xpath("//*[@class='posttitle']/a/@href") for num in range(len(names)): print(names[num], links[num]) time.sleep(5)
我也不纠结了..直接用他爬下来的数据吧(:
webmagic中文文档:
最后
最后我就生成了好多pdf文件了:
// 这篇文章简单记录下我这个过程吧,还有很多要改善的[//假装todo]。如果你遇到过这种需求,有更好的办法的话不妨在评论区下告诉我~~
webmagic我的demo还没写好!!!如果有兴趣或者用过webmagic的同学,有空的话不妨也去爬爬我的博客园的文章,给我一份代码(hhhhh)
分析可能的原因:博客园反爬虫or爬取规则没写好
部门的前辈建议我去了解一下机器学习,我也想扩展一下眼界,所以这阵子会去学一下简单的机器学习知识。(当然啦,我后面也会补笔记的)
乐于分享和输出干货的java技术公众号:java3y。关注即可领取海量的视频资源!
文章的目录导航:
推荐阅读
-
推荐阅读我是如何将几百元的手机包装后卖出3980元高价的?
-
服务器 - 我的网站用的是阿里云ECS,Nginx+PHP搭建了一个WordPress博客,速度超级慢...
-
Java常用类的总结 【这个是一个大纲,具体理论和案例请在我的博客里查看】
-
如何将收到PDF格式的文件转成WORD文档发给客户
-
我是如何将博客转成PDF的
-
作为一个java后端程序员,我是怎么接手android项目,并完成移动端的pdf处理需求的?
-
失败率0%,我是如何做到在卢松松博客连续投稿成功开通专栏的?
-
CSDN年度博客之星评选,欢迎您为我投上一票,博友们的支持是对我最大的鼓励!
-
CSDN年度博客之星评选,欢迎您为我投上一票,博友们的支持是对我最大的鼓励!
-
Java常用类的总结 【这个是一个大纲,具体理论和案例请在我的博客里查看】