【原】用 Python 抓取公号文章保存成 HTML

上次为大家介绍了如果用 Python 抓取公号文章并保存成 PDF 文件存储到本地。但用这种方式下载的 PDF 只有文字没有图片，所以只适用于没有图片或图片不重要的公众号，那如果我想要图片和文字下载下来怎么办？今天就给大家介绍另一种方案——HTML。

需解决的问题

其实我们要解决的有两个问题：

1. 公众号里的图片没有保存到 PDF 文件里。
2. 公众号里的一些代码片段，尤其那些单行代码比较长的，保存成 PDF 会出现代码不全的问题。
3. PDF 会自动分页，如果是代码或图片就会出现一些问题。

综上问题，我觉得还是把公众号下载成网页 HTML 格式最好看，下面就介绍下如何实现。

功能实现

获取文章链接的方式，和上一篇下载成 PDF 的文章一样，依然是通过公众号平台的图文素材里超链接查询实现，在这里我们直接拿来上一期的代码，进行修改即可。首先将原来文件 gzh_download.py 复制成 gzh_download_html.py，然后在此基础进行代码改造：

# gzh_download_html.py# 引入模块import requestsimport jsonimport reimport timefrom bs4 import BeautifulSoupimport os
# 打开 cookie.txtwith open("cookie.txt", "r") as file: cookie = file.read()cookies = json.loads(cookie)url = "https://mp.weixin.qq.com"#请求公号平台response = requests.get(url, cookies=cookies)# 从url中获取tokentoken = re.findall(r'token=(\d+)', str(response.url))[0]# 设置请求访问头信息headers = { "Referer": "https://mp.weixin.qq.com/cgi-bin/appmsg?t=media/appmsg_edit_v2&action=edit&isNew=1&type=10&token=" + token + "&lang=zh_CN", "Host": "mp.weixin.qq.com", "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36",}
# 循环遍历前10页的文章for j in range(1, 10, 1): begin = (j-1)*5 # 请求当前页获取文章列表 requestUrl = "https://mp.weixin.qq.com/cgi-bin/appmsg?action=list_ex&begin="+str(begin)+"&count=5&fakeid=MzU1NDk2MzQyNg==&type=9&query=&token=" + token + "&lang=zh_CN&f=json&ajax=1" search_response = requests.get(requestUrl, cookies=cookies, headers=headers) # 获取到返回列表 Json 信息 re_text = search_response.json() list = re_text.get("app_msg_list") # 遍历当前页的文章列表 for i in list: # 目录名为标题名，目录下存放 html 和图片 dir_name = i["title"].replace(' ','') print("正在下载文章：" + dir_name) # 请求文章的 url ，获取文章内容 response = requests.get(i["link"], cookies=cookies, headers=headers) # 保存文章到本地 save(response, dir_name, i["aid"]) print(dir_name + "下载完成!") # 过快请求可能会被微信问候，这里进行10秒等待 time.sleep(10)


好了，从上面代码可以看出，主要就是将原来的方法 pdfkit.from_url(i["link"], i["title"] + ".pdf") 改成了现在的方式，需要用 requests 请求下文章的 URL ，然后再调用保存文章页面和图片到本地的方法，这里的 save() 方法通过以下代码实现。

调用保存方法

#保存下载的 html 页面和图片def save(search_response,html_dir,file_name): # 保存 html 的位置 htmlDir = os.path.join(os.path.dirname(os.path.abspath(__file__)), html_dir) # 保存图片的位置 targetDir = os.path.join(os.path.dirname(os.path.abspath(__file__)),html_dir + '/images') # 不存在创建文件夹 if not os.path.isdir(targetDir): os.makedirs(targetDir) domain = 'https://mp.weixin.qq.com/s' # 调用保存 html 方法 save_html(search_response, htmlDir, file_name) # 调用保存图片方法 save_file_to_local(htmlDir, targetDir, search_response, domain)
# 保存图片到本地def save_file_to_local(htmlDir,targetDir,search_response,domain): # 使用lxml解析请求返回的页面 obj = BeautifulSoup(save_html(search_response,htmlDir,file_name).content, 'lxml') # 找到有 img 标签的内容 imgs = obj.find_all('img') # 将页面上图片的链接加入list urls = [] for img in imgs: if 'data-src' in str(img): urls.append(img['data-src']) elif 'src=""' in str(img): pass elif "src" not in str(img): pass else: urls.append(img['src'])
# 遍历所有图片链接，将图片保存到本地指定文件夹，图片名字用0，1，2... i = 0 for each_url in urls: # 跟据文章的图片格式进行处理 if each_url.startswith('//'): new_url = 'https:' + each_url r_pic = requests.get(new_url) elif each_url.startswith('/') and each_url.endswith('gif'): new_url = domain + each_url r_pic = requests.get(new_url) elif each_url.endswith('png') or each_url.endswith('jpg') or each_url.endswith('gif') or each_url.endswith('jpeg'): r_pic = requests.get(each_url) # 创建指定目录 t = os.path.join(targetDir, str(i) + '.jpeg') print('该文章共需处理' + str(len(urls)) + '张图片，正在处理第' + str(i + 1) + '张……') # 指定绝对路径 fw = open(t, 'wb') # 保存图片到本地指定目录 fw.write(r_pic.content) i += 1 # 将旧的链接或相对链接修改为直接访问本地图片 update_file(each_url, t, htmlDir) fw.close()
# 保存 HTML 到本地 def save_html(url_content,htmlDir,file_name): f = open(htmlDir+"/"+file_name+'.html', 'wb') # 写入文件 f.write(url_content.content) f.close() return url_content
# 修改 HTML 文件,将图片的路径改为本地的路径 def update_file(old, new,htmlDir): # 打开两个文件，原始文件用来读，另一个文件将修改的内容写入 with open(htmlDir+"/"+file_name+'.html', encoding='utf-8') as f, open(htmlDir+"/"+file_name+'_bak.html', 'w', encoding='utf-8') as fw: # 遍历每行，用replace()方法替换路径 for line in f: new_line = line.replace(old, new) new_line = new_line.replace("data-src", "src") # 写入新文件 fw.write(new_line) # 执行完，删除原始文件 os.remove(htmlDir+"/"+file_name+'.html') time.sleep(5) # 修改新文件名为 html os.rename(htmlDir+"/"+file_name+'_bak.html', htmlDir+"/"+file_name+'.html')


好了，上面就是将文章页面和图片下载到本地的代码，接下来我们运行命令 python gzh_download_html.py ，程序开始执行，打印日志如下：

$ python gzh_download_html.py正在下载文章：学习Python看这一篇就够了！该文章共需处理3张图片，正在处理第1张……该文章共需处理3张图片，正在处理第2张……该文章共需处理3张图片，正在处理第3张……学习Python看这一篇就够了！下载完成!正在下载文章：PythonFlask数据可视化该文章共需处理2张图片，正在处理第1张……该文章共需处理2张图片，正在处理第2张……PythonFlask数据可视化下载完成!正在下载文章：教你用Python下载手机小视频该文章共需处理11张图片，正在处理第1张……该文章共需处理11张图片，正在处理第2张……该文章共需处理11张图片，正在处理第3张……该文章共需处理11张图片，正在处理第4张……该文章共需处理11张图片，正在处理第5张……该文章共需处理11张图片，正在处理第6张……该文章共需处理11张图片，正在处理第7张……

现在我们去程序存放的目录，就能看到以下都是以文章名称命名的文件夹：

进入相应文章目录，可以看到一个 html 文件和一个名为 images 的图片目录，我们双击打开扩展名为 html 的文件，就能看到带图片和代码框的文章，和在公众号看到的一样。

总结

本文为大家介绍了如何通过 Python 将公号文章批量下载到本地，并保存为 HTML 和图片，这样就能实现文章的离线浏览了。当然如果你想将 HTML 转成 PDF 也很简单，直接用 pdfkit.from_file(xx.html,target.pdf) 方法直接将网页转成 PDF，而且这样转成的 PDF 也是带图片的。