python基于pyppeteer制作PDF文件

更新時間：2021年03月12日 15:37:21 作者：劉志軍

這篇文章主要介紹了python基于pyppeteer制作PDF文件的方法，幫助大家更好的理解和學習使用python，感興趣的朋友可以了解下

Pyppeteer 是什么

介紹 Pyppeteer 之前，有必要先介紹一下 Puppeteer，Puppeteer 是谷歌官方出的一個通過DevTools協(xié)議控制headless Chrome的Node庫。通過Puppeteer可以直接控制Chrome瀏覽器模擬大部分用戶操作。

所謂Headless Chrome 就是 Chrome 瀏覽器的無界面形態(tài)。

而 Pyppeteer 就是 Puppeteer 的 Python 版本非官方實現(xiàn)，它是一位來自于日本的工程師依據(jù) Puppeteer 的一些功能開發(fā)出來的非官方版本

Pyppeteer 采用了 Python 的 async 機制，需要Python3.5 及以上版本才支持。

Pyppeteer能做什么

但凡是需要通過Chrome瀏覽器手動完成的操作都可以通過 Pyppeteer 自動完成，例如：

生成頁面截圖
生成PDF文件
抓取單頁面應用并生成預先呈現(xiàn)的內(nèi)容
從網(wǎng)站抓取你需要的內(nèi)容
自動表單提交，UI測試，鍵盤輸入等

截圖

例如將頁面生成截圖可以直接調(diào)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())

截圖功能在海報分享等場景用的多，有看過有贊工程師分享的一篇文章，就有用到Puppeteer來做海報分享，性能比Canvas高。

而將網(wǎng)頁轉(zhuǎn)換為PDF的應用場景更多，比如將網(wǎng)站博客、專欄，或者公眾號文章批量導出PDF，方便離線閱讀，比如我們最近做的一個醫(yī)療項目需要將用戶填寫的資料支持PDF形式批量導出，就是用的Pyppeteer

導出PDF

導出pdf直接調(diào)用page.pdf方法就可以，代碼非常簡潔

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())

接下來我們以公眾號文章為例，將html頁面制作成一個PDF文件。

公眾號鏈接導出PDF示例

安裝 pyppeteer

pip install pyppeteer

任意找一篇公眾號的文章鏈接

 url = "https://mp.weixin.qq.com/s/6VBXs19icV0O5hT7cHYwgw"

完成代碼：

 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()

第一次運行的時候，會自動下載chromium瀏覽器，chromium是chrome的開源版本，需要幾分鐘才能下載完

[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

執(zhí)行完成后，我們來預覽下pdf文件

和原文鏈接對比，發(fā)現(xiàn)文章中的圖片丟失了。

通過分析，原來是頁面源代碼中，img 標簽沒有src屬性，只有個data-src 屬性，默認情況下圖片是無法正常顯示的，圖片之所有能在瀏覽器能正常展示出來，是有個js腳本動態(tài)地修改了dom元素為 <img src='xxxx'>

這個網(wǎng)頁使用的是一種叫懶加載的技術(shù)展示圖片內(nèi)容，所謂懶加載就是圖片不會一次全部下載完，而是當前瀏覽到什么位置，就加載該處的圖片，這樣能提高頁面的響應速度，同時減輕服務器性能。

所以，我們也可以通過js代碼模擬真人瀏覽網(wǎng)頁一樣，滾動鼠標，不停地往下滑動，將圖片動態(tài)加載出來。

最后，完整代碼就變成了這樣：

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())

將js 代碼封裝成一個字符串當作參數(shù)傳給 page.evaluate 函數(shù)，該代碼就是獲不斷滾動頁面，直到頁面底部為止。這樣整個頁面的圖片就全部加載出來了。

效果看起來還不錯，和原頁面的樣式是一樣的