我是如何将博客转成PDF的

前言

只有光头才能变强

以前有读者问过我：“3y你的博客有没有电子版的呀？我想要份电子版的”。我说：“没有啊，我没有弄过电子版的，我这边有个文章导航页面，你能够去文章导航去找来看呀”..而后就没有而后了。

最近也有个读者提过这个问题，而后这两天也没什么事作，因此打算折腾折腾，看看怎么把博客转成PDF。

1、准备工做

要将博客转成PDF，我首先想到的是能不能将markdown文件转成PDF(由于平时我就是用markdown来写博客的)。

• 想了一下，原生markdown显示的话，代码是没有高亮的，格式也不会太好看。
• 因此就放弃了这个想法。

因而就去想一下，可不能够将HTML转成PDF呢。就去GitHub搜了有没有相关的轮子，也搜到了一些关于Python的爬虫啥的，感受仍是蛮复杂的。

后来，终于搜到了个不错的：

• github.com/petterobam/…

**介绍：**收集一系列html转文档的开源插件，作成html页面转文件的微服务集成Web应用，目前包含 html转PDF、html转图片、html转markdown等等。

功能：

• 网页转PDF（参用wkhtml2pdf插件）
• 网页转图片（参用wkhtml2pdf插件）
• 网页转Markdown（参用jHTML2Md）
• 网页转WORD（参用Apache POI）

这里我主要用到的网页转PDF这么一个功能，对应的插件是wkhtml2pdf。

1.1踩坑

发现了一个不错的轮子了，感受可行，因而就去下载来跑一下看看怎么样。启动的时候倒没有出错，但在调接口的时候，总是抛出异常。

• 因而就开始查一下路径，url有没有问题啦，查来查去发现都没问题啊。

后来才发现个人wkhtml2pdf.exe文件打不开，说我缺乏几个dll文件。因而，我首先想到的是去wkhtml2pdf官网看看有没有相关的问题，想从新下载一个，但官网都进不去...(不是墙的问题)

• wkhtmltopdf.org/
• (ps：一个周末过去了，发现又能打开了。)

好吧，因而就去找‘dll文件缺失怎么办’。后面发现，安装一下Visual C++ Redistributable for Visual Studio 2015就行了(没有网上说得那么复杂)

• www.microsoft.com/zh-cn/downl…

完了以后，发现能够将一个HTML转成PDF了，效果还不错：

• 有目录
• 可复制粘贴
• 可跳转到连接
• 清晰度好评

缺点：

• 页面加载速度慢的HTML，图片还没加载出来就已经生成PDF了
  • 因此我选用了博客园(速度快)
• 在PDF的末尾有好几页不相关的(评论，广告啥的)

原本想着能不能只截取HTML博文的部分啊(评论，广告和其余不相关的不截取)。因而就去搜了一下，感受是挺麻烦的，本身作了几回试验都没弄出来，最后放弃了。

后来又想了一下，我不是有一个没有广告的博客平台吗，恰好能够拿来用了。可是，我本身写完的markdown是没有所有保存在硬盘上的，后来发现简书能够下载已发布文章的全部markdown。

下载下来的文章，我想所有导入到以前那个无广告的博客平台上。但发现导出来的markdown没有高亮语法..

// 没有语法高亮咋看啊，因此到这里我就放弃了，将就用一下博客园生成的PDF吧

1.2爬虫学习

上面GitHub提供的接口是一个URL生成一个PDF文件，我是不可能一个一个将连接和标题放上去生成的(由于博客园上发的也将近200篇了)。

而我是一点也不会爬虫的，因而也去搜了一下Java的爬虫轮子，发现一个很出名(WebMagic)

• github.com/code4craft/…

因而就跟着文档学习，也遇到了坑...文档给出的版本是0.7.3，我使用的JDK版本是8，用它的例子跑的时候抛出了SSLException异常(然而网上的0.6.x版本是没有问题的)

折腾完折腾去，也找到了0.7.3版本在JDK8上如何解决SSLException异常的办法了：

• www.cnblogs.com/vcmq/p/9484…

修改HttpClientDownloader和HttpClientGenerator这两个类的部分代码就行了。

可是，我仍是死活写不出能用的代码出来(真的菜!)..后来去问了一下同事(公众号：Rude3Knife)咋搞，他用Python几分钟就写好了。

def get_blog_yuan(blog_name, header):
    for i in range(1, 6):
        url = 'https://www.cnblogs.com/' + blog_name + '/default.html?page=' + str(i)
        r = requests.get(url, headers=header, timeout=6)
        selector = etree.HTML(r.text)
        names = selector.xpath("//*[@class='postTitle']/a/text()")
        links = selector.xpath("//*[@class='postTitle']/a/@href")
        for num in range(len(names)):
            print(names[num], links[num])
        time.sleep(5)

复制代码

我也不纠结了..直接用他爬下来的数据吧(:

WebMagic中文文档：

• webmagic.io/docs/zh/

最后

最后我就生成了好多PDF文件了：

// 这篇文章简单记录下我这个过程吧，还有不少要改善的[//伪装TODO]。若是你遇到过这种需求，有更好的办法的话不妨在评论区下告诉我~~

WebMagic个人Demo还没写好！！！若是有兴趣或者用过WebMagic的同窗，有空的话不妨也去爬爬个人博客园的文章，给我一份代码(hhhhh)

分析可能的缘由：博客园反爬虫or爬取规则没写好

部门的前辈建议我去了解一下机器学习，我也想扩展一下眼界，因此这阵子会去学一下简单的机器学习知识。(固然啦，我后面也会补笔记的)

乐于分享和输出干货的Java技术公众号：Java3y。关注便可领取海量的视频资源！

文章的目录导航：

• github.com/ZhongFuChen…