python基于pyppeteer制作PDF文件

pyppeteer 是什么

介绍 pyppeteer 之前，有必要先介绍一下 puppeteer，puppeteer 是谷歌官方出的一个通过devtools协议控制headless chrome的node库。通过puppeteer可以直接控制chrome浏览器模拟大部分用户操作。

所谓headless chrome 就是 chrome 浏览器的*面形态。

而 pyppeteer 就是 puppeteer 的 python 版本非官方实现，它是一位来自于日本的工程师依据 puppeteer 的一些功能开发出来的非官方版本

pyppeteer 采用了 python 的 async 机制，需要python3.5 及以上版本才支持。

pyppeteer能做什么

但凡是需要通过chrome浏览器手动完成的操作都可以通过 pyppeteer 自动完成，例如：

• 生成页面截图
• 生成pdf文件
• 抓取单页面应用并生成预先呈现的内容
• 从网站抓取你需要的内容
• 自动表单提交，ui测试，键盘输入等
  

截图

例如将页面生成截图可以直接调用 page.screenshot 方法

import asyncio
from pyppeteer import launch

async def main():
 browser = await launch()
 page = await browser.newpage()
 await page.goto('https://foofish.net')
 await page.screenshot({'path': 'example.png'})
 await browser.close()

asyncio.get_event_loop().run_until_complete(main())

截图功能在海报分享等场景用的多，有看过有赞工程师分享的一篇文章，就有用到puppeteer来做海报分享，性能比canvas高。

而将网页转换为pdf的应用场景更多，比如将网站博客、专栏，或者公众号文章批量导出pdf，方便离线阅读，比如我们最近做的一个医疗项目需要将用户填写的资料支持pdf形式批量导出，就是用的pyppeteer

导出pdf

导出pdf直接调用page.pdf方法就可以， 代码非常简洁

import asyncio
from pyppeteer import launch

async def main():
 browser = await launch()
 page = await browser.newpage()
 await page.goto('https://foofish.net')
 await page.pdf({
  "path": "example.pdf", "format": 'a4'})
 await browser.close()

asyncio.get_event_loop().run_until_complete(main())

接下来我们以公众号文章为例，将html页面制作成一个pdf文件。

公众号链接导出pdf示例

安装 pyppeteer

pip install pyppeteer

任意找一篇公众号的文章链接

 url = "https://mp.weixin.qq.com/s/6vbxs19icv0o5ht7chywgw"

完成代码：

 browser = await launch(
  options={'headless': true,
     'args': ['--no-sandbox',
       '–disable-gpu',
       '–disable-dev-shm-usage',
       '–disable-setuid-sandbox',
       '–no-first-run',
       '–no-zygote',
       '–single-process'
       ]}, )
 page = await browser.newpage()
 url = "https://mp.weixin.qq.com/s/6vbxs19icv0o5ht7chywgw"
 await page.goto(url)
 file_name = "test.pdf"
 await page.pdf({"path": file_name, "format": 'a4'})
 await browser.close()

第一次运行的时候，会自动下载chromium浏览器，chromium是chrome的开源版本， 需要几分钟才能下载完

[w:pyppeteer.chromium_downloader] start chromium download.
download may take a few minutes.
100%|██████████| 127496521/127496521 [00:20<00:00, 6268578.80it/s]
[w:pyppeteer.chromium_downloader] 
chromium download done.
[w:pyppeteer.chromium_downloader] chromium extracted to: c:\users\lzjun\appdata\local\pyppeteer\pyppeteer\local-chromium\575458

执行完成后，我们来预览下pdf文件

和原文链接对比，发现文章中的图片丢失了。

通过分析，原来是页面源代码中，img 标签没有src属性，只有个data-src 属性，默认情况下图片是无法正常显示的，图片之所有能在浏览器能正常展示出来，是有个js脚本动态地修改了dom元素为 <img src='xxxx'>

这个网页使用的是一种叫懒加载的技术展示图片内容，所谓懒加载就是图片不会一次全部下载完，而是当前浏览到什么位置，就加载该处的图片，这样能提高页面的响应速度，同时减轻服务器性能。

所以，我们也可以通过js代码模拟真人浏览网页一样，滚动鼠标，不停地往下滑动，将图片动态加载出来。

最后，完整代码就变成了这样：

async def main():
    browser = await launch()
    page = await browser.newpage()
    url = "https://mp.weixin.qq.com/s/6vbxs19icv0o5ht7chywgw"
    await page.goto(url)
    await page.evaluate('''async () => {
                    await new
                promise((resolve, reject) => {
                    var
                totalheight = 0;
                var
                distance = 100;
                var
                timer = setinterval(() => {
                    var
                scrollheight = document.body.scrollheight;
                window.scrollby(0, distance);
                totalheight += distance;

                if (totalheight >= scrollheight){
                clearinterval(timer);
                resolve();
                }
                }, 100);
                });
        }''')
    await page.pdf({
        "path": "test.pdf", "format": 'a4'})
    await browser.close()

if __name__ == '__main__':
    asyncio.get_event_loop().run_until_complete(main())

将js 代码封装成一个字符串当作参数传给 page.evaluate 函数， 该代码就是获不断滚动页面，直到页面底部为止。这样整个页面的图片就全部加载出来了。

效果看起来还不错，和原页面的样式是一样的

在pyppeteer实践应用过程中，也遇到不少坑，最后都逐个解决了，这可以单独写一篇文章，如果你在使用过程中遇到任何问题欢迎与我交流

以上就是python基于pyppeteer制作pdf文件的详细内容，更多关于python pyppeteer制作pdf文件的资料请关注其它相关文章！