爬取微信公众号文章并保存为PDF文件（Python方法）（如何爬取微信公众号数据）

【相关学习推荐：微信公众号开发教程】

简介

如果你是第一次写博客，主要内容是爬取微信公众号文章，将文章转换为PDF。 格式保存在本地。

爬取Wechatsogou文章（使用wechatsogou） 1.安装 pip install wechatsogou --upgrade

wechatsogou是基于搜狗微信搜索的Wechatsogou爬虫接口

2.使用方法

用法如下。

import wechatsogou# captcha_break_time为验证码输入错误时的重试次数，默认为1ws_api = wechatsogou.WechatSogouAPI(captcha_break_time=3)# 公众号名称 gzh_name = ''# 更改公众号最后一次信息以字典格式返回 10 篇文章 data = ws_api.get_gzh_article_by_history(gzh_name)

数据数据结构：

{ 'gzh ': { 'wechat_name': '', # 姓名 'wechat_id': '', # 微信ID '简介' : '', #简介 'authentication': '', # 身份验证 'headimage': '' # 头像 }, '文章le ': [{'send_id': Int,#l发送ID，注意不要唯一，因为同一组同时发送多条消息，组ID一致。 tetime': int, # 海量数据时间10位时间戳 'type': '', # 消息类型，均为49（手机历史消息页面还有其他类型，网页上有最新的）10 个显示图像和文本的消息页面（仅 49 个） 'main': int, # 这是组中发送的第一条消息吗？ 1 或 0 'title': '', # 文章标题 “源地址”：“源地址” 'copyright_stat': int, #文章类型, 示例: 原创 }, ... ... ]}

这里我们需要检索两条信息：文章标题和文章网址。

获得文章 URL 后，您可以根据该 URL 将 HTML 页面转换为 PDF 文件。

生成PDF文件 1.安装wkhtmltopdf

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

2.安装pdfkitpip并安装pdfkit3。 根据URL（'http://baidu.com','out.pdf'）使用import pdfkit#方法生成pdfkit.from_url#生成pdfkit.from_file('test.html','out.pdf') on html文件#根据html代码生成pdfpdfkit.from_string('Hello!','out.pdf')

直接使用上面获取的文章URL 当我生成 PDF 时会出现此问题。 验证 PDF 文件中是否未显示文章图像。

解决方案：

# 这个方法是根据文章URL来的。处理HTML，使图片显示 content_info = ws_api.get_article_content(url)# 获取HTML代码（代码不完整，需要添加head、body等标签） html_code = content_info['content_html']

然后根据html_code HTML代码构建完整的文件并调用pdfkit.from_string()方法创建PDF 生成文件。 这时，你可以看到文章中的照片显示为PDF文件。

完整代码 import osimport pdfkitimport datetimeimport wechatsogou#初始化 APIws_api = wechatsogou.WechatSogouAPI(captcha_break_time=3)def url2 pdf(url, title, targetPath): ''' 使用 pdfkit 生成 PDF 文件 :param url: 文章 url :参数标题：文章标题：参数 targetPath: 保存 PDF 文件的路径 ''' Try: content_info = ws_api.get_article_content(url) but: return False # 处理后的 html html = f''' nbsp;html>                                                                 pdfkit.from_string(html, targetPath + os.path.sep + f'{title}.pdf') 除外： 有些文章标题包含特殊字符，不能用作文件名。 文件名 = datetime.datetime.now().strftime(' %Y%m%d%H%M%S') + '.pdf' pdfkit.from_string(html, targetPath + os.path.sep + 文件名)if __name__ == '__main__': #待爬取的公众号名称 gzh_name = '' targetPath = os.getcwd() + os.path.sep + g zh_name # 目标文件夹不存在则创建 if os.path.exists(targetPath): os.makedirs(targetPath) # 以字典格式返回公众号最新10条文章信息 data = ws_api.get_gzh_article_by_history(gzh_name) ，article_list = data['article']，article_list中的文章：url = Article['content_url']标题 =article['title'] url2pdf(url, title, targetPath) 相关学习推荐：Python教程WPS初学者到专家全套教程！

从零基础入门到精通全网最新、最详细、最实用的WPS教程！ 包括基本的Excel操作、函数设计、数据透视表等。

下载

这几篇文章你可能也喜欢：

• 抓取微信微信官方账号文章并保存为PDF文件（python方法）（Python抓取微信官方账号文章）。
• 抓取微信微信官方账号文章，保存为PDF文件(Python方法)

本文由主机参考刊发，转载请注明：爬取微信公众号文章并保存为PDF文件（Python方法）（如何爬取微信公众号数据） https://zhujicankao.com/141575.html