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!
上一篇: 基于注解的简单SSH保存用户小案例
下一篇: 教育行业视频号矩阵建设与运营策略分析报告