• 企业400电话
  • 微网小程序
  • AI电话机器人
  • 电商代运营
  • 全 部 栏 目

    企业400电话 网络优化推广 AI电话机器人 呼叫中心 网站建设 商标✡知产 微网小程序 电商运营 彩铃•短信 增值拓展业务
    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 浏览器的无界面形态。

    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:

    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 [00:2000:00, 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文件的资料请关注脚本之家其它相关文章!

    您可能感兴趣的文章:
    • python爬虫 Pyppeteer使用方法解析
    • python爬虫神器Pyppeteer入门及使用
    • python pyppeteer 破解京东滑块功能的代码
    • 详解pyppeteer(python版puppeteer)基本使用
    • python爬虫之pyppeteer库简单使用
    上一篇:如何用pandas处理hdf5文件
    下一篇:Python时间和日期库的实现
  • 相关文章
  • 

    © 2016-2020 巨人网络通讯 版权所有

    《增值电信业务经营许可证》 苏ICP备15040257号-8

    python基于pyppeteer制作PDF文件 python,基于,pyppeteer,制作,