在线博客转PDF电子书 | JS爬虫初探

最近在看一位大佬写的源码解析博客，平时上下班用手机看不太得劲，但是平板又没有网卡，所以就想搞个离线pdf版，方便通勤时间学习阅读。

所以，问题来了: 怎么把在线网页内容转成pdf？

这位大佬的博客是用gitbook写的，我先上网搜了下工具，发现大多是将自己本地gitbook转pdf，只有一个开源工具是用python爬取的在线gitbook，但是一看issues，中文乱码、空白页、看不到图等等问题都没解决，遂放弃……

经过我不懈的搜索，终于找到了一个可以直接把网页保存成pdf工具：phantomjs。

phantomjs是一个无界面的，可脚本编程的 WebKit 浏览器引擎，也就是俗称的“无头浏览器”，常用于爬取网页信息。

下载地址：https://phantomjs.org/download.html

我用的是win系统，下载后在bin目录下找到.exe文件，然后新建如下js脚本：

// html2pdf.js
var page = require('webpage').create();
var system = require('system');if (system.args.length === 1) {
console.log('Usage: loadspeed.js <some URL>');
//这行代码很重要。凡是结束必须调用。否则phantomjs不会停止
phantom.exit();
}
page.settings.loadImages = true; //加载图片
page.settings.resourceTimeout = 30000;//超过10秒放弃加载
//截图设置，
//page.viewportSize = {
// width: 1000,
// height: 3000
//};
var address = system.args[1];
var name = system.args[2];
page.open(address, function (status) {function checkReadyState() {//等待加载完成将页面生成pdf
setTimeout(function () {
var readyState = page.evaluate(function () {
return document.readyState;
});if ("complete" === readyState) {page.paperSize = { width: '297mm', height: '500mm', orientation: 'portrait', border: '1cm' };
var timestamp = Date.parse(new Date());
var pdfname = name;
var outpathstr = "C:/Users/Desktop/pdfs/" + pdfname + ".pdf"; // 输出路径
page.render(outpathstr);
console.log("生成成功");
console.log("$" + outpathstr + "$");
phantom.exit();
} else {
checkReadyState();
}
}, 1000);
}
checkReadyState();
});


控制台cd进入bin目录，命令行执行：

phantomjs html2pdf.js http://xxx.xx.xxx(博客所在地址)

即可将该网页转成一个pdf。

这时候问题又来了:

1. phantomjs不能自动截取下一页；
2. 每一个网页都只能生成一个pdf，最后还要找工具把所有pdf合并成一个；
3. 保存的实际上是网页的截图，对于侧边栏、顶部栏、底部等我不需要的内容也会保存到页面中，不能很好地适配。

思考和观察得出解决办法：

• 这个博客的网址除了域名统一外并没有其他规律，只能手动维护一个url列表，然后通过脚本遍历来解决第 1 个问题；
• pdf合并工具网上有现成的，第 2 个问题也能解决；
• phantomjs是可以对dom进行操作的，但是有个问题，页面里如果有异步请求的资源，比如图片，就需要延迟截图时间，否则会出现很多空白区域，具体解决办法可以参见这篇博客：使用phantomjs操作DOM并对页面进行截图需要注意的几个问题。

问题虽然是能解决，但是过于麻烦，而且这个dom操作并不能在截图的时候去掉多余内容。

经过上面一系列骚操作，我受到了启发，从而有了一个全新的思路：

通过dom操作，把整个博客的内容都爬到一个html文件中，再把这个html文件转成pdf。

话不多说，直接开撸。

为了避开浏览器同源网络策略，我基于之前搭建的node+express本地服务，并引入插件cheerio(用于dom操作)、html-pdf(用于将网页转成pdf)来实现。

首先，观察需要爬取的dom元素的特点：

我需要爬取的内容如图所示



这部分的内容可以通过.theme-default-content样式获取到：

https.get(url, function (res) {
var str = "";
//绑定方法，获取网页数据
res.on("data", function (chunk) {
str += chunk;
})
//数据获取完毕
res.on("end", function () {
//沿用JQuery风格，定义$
var $ = cheerio.load(str);
//获取的数据数组
var arr = $(".theme-default-content");
var main = "";
if (arr && arr.length > 0) {
main = arr[0]
}
})


通过这段代码得到的main就是我们要获取的主体dom。

其次，观察图片资源的url：



这里用的是相对路径，所以需要对图片路径进行处理：

// 将上面得到的main转为字符串便于处理
main = $.html(main)
// 对图片路径进行补全
main = main.replace(/src=\"\/img/g, "src=\"" + prefixUrl + "/img")


观察下一页的url地址，都是在一个样式名为next的span标签内：



获取下一页内容的代码如下：

var $ = cheerio.load(str);
var arr = $(".next");
var nextData = "";
if (arr && arr.length > 0) {
nextData = arr[0]
if (nextData && nextData.children && nextData.children[0] && nextData.children[0].attribs) {
// 下一页地址：prefixUrl + nextData.children[0].attribs.href
} else {
// 没有下一页
}
}


最后还需要把html转成pdf：

function htmlTopdf() {
var html = fs.readFileSync(path.resolve(__dirname, htmlFileName), 'utf8');
var options = { format: 'A4' };
pdf.create(html, options).toFile(path.resolve(__dirname, pdfFileName), function (err, res) {
if (err) return console.log("error message", err);
console.log(res);
});
}

总结一下实现思路：

1. 通过dom操作抓取到主体内容，并对其中的图片等资源进行处理，然后保存到html文件中；
2. 找到下一页的url，将下一页的主体内容继续拼到html文件后；
3. 最后将html转成pdf保存。

上面的代码不是通用的，但是如果要抓取其他网页的话，思路基本都是这三步。

Demo已开源：https://github.com/youzouzou/node-crawler/blob/main/routes/index.js

npm install后打开http://localhost:3009/ 即可生成pdf。