python --将HTML转化为PDF或JMG图片

1、转为pdf

API说明

我们常用PDFKit的三个API：

• from_url：将远程URL页面导出为PDF。
• from_file：将HTML文件导出为PDF。
• from_string：将字符串导出为PDF。

• import pdfkit
   
  path_wkpdf = r'D:\DevelopSoftware\wkhtmltopdf\bin\wkhtmltopdf.exe'  # 工具路径
  cfg = pdfkit.configuration(wkhtmltopdf=path_wkpdf)
   
  # 1、将html文件转为pdf
  pdfkit.from_file(r'./helloworld.html', 'helloworld.pdf', configuration=cfg)
  pdfkit.from_file([r'./helloworld.html', r'./111.html', r'./222.html'], 'helloworld.pdf', configuration=cfg)  # 传入列表
   
  # 2、从url获取html，再转为pdf
  pdfkit.from_url('https://httpbin.org/ip', 'ip.pdf', configuration=cfg)
  pdfkit.from_url(['https://httpbin.org/ip','https://httpbin.org/ip'], 'ip.pdf', configuration=cfg)  # 传入列表
   
  # 3、将字符串转为pdf
  pdfkit.from_string('Hello!','hello.pdf', configuration=cfg)

  补充：

  评论区有大胸弟问中文字符串乱码的问题，补一下参数选项（参考：https://www.cnblogs.com/Neeo/articles/11566980.html）:

2、转为图片

import imgkit
 
path_wkimg = r'D:\DevelopSoftware\wkhtmltopdf\bin\wkhtmltoimage.exe'  # 工具路径
cfg = imgkit.config(wkhtmltoimage=path_wkimg)
# 1、将html文件转为图片
imgkit.from_file(r'./helloworld.html', 'helloworld.jpg', config=cfg)
# 2、从url获取html，再转为图片
imgkit.from_url('https://httpbin.org/ip', 'ip.jpg', config=cfg)
# 3、将字符串转为图片
imgkit.from_string('Hello!','hello.jpg', config=cfg)

 

 

三、将html转为图片方法二——selenium

 

通过selenium模拟浏览器访问页面，再将页面保存为图片。

from selenium import webdriver
from selenium.common.exceptions import WebDriverException
 
options = webdriver.ChromeOptions()
#options.add_argument('--headless')
options.add_argument('--disable-gpu')
options.add_argument('--no-sandbox')
options.add_argument('window-size=1920x1080')
 
 
try:
    driver = webdriver.Chrome(options=options)
    driver.maximize_window()
    driver.get("https://www.baidu.com")
    driver.get_screenshot_as_file("baidu.png")
    driver.quit()
except WebDriverException:
    print("截图失败")

 

不过上面这个只能截显示器显示部分的页面，如果要截整个网页，我在网上找到了一份代码：

from selenium import webdriver
import time
import os.path
import multiprocessing as mp
 
 
def webshot(tup):
    print("当前进程%d已启动" %os.getpid())
 
    options = webdriver.ChromeOptions()
    options.add_argument('--headless')  # 不知为啥只能在无头模式执行才能截全屏
    options.add_argument('--disable-gpu')
    driver = webdriver.Chrome(options=options)
    driver.maximize_window()
    # 返回网页的高度的js代码
    js_height = "return document.body.clientHeight"
    picname = str(tup[0])
    link = tup[1]
    print(link)
 
    try:
        driver.get(link)
        k = 1
        height = driver.execute_script(js_height)
        while True:
            if k * 500 < height:
                js_move = "window.scrollTo(0,{})".format(k * 500)
                print(js_move)
                driver.execute_script(js_move)
                time.sleep(0.2)
                height = driver.execute_script(js_height)
                k += 1
            else:
                break
        scroll_width = driver.execute_script('return document.body.parentNode.scrollWidth')
        scroll_height = driver.execute_script('return document.body.parentNode.scrollHeight')
        driver.set_window_size(scroll_width, scroll_height)
        driver.get_screenshot_as_file("D:/pics/" + picname)
        print("Process {} get one pic !!!".format(os.getpid()))
        driver.quit()
    except Exception as e:
        print(picname, e)
 
 
if __name__ == '__main__':
    # 首先创建一个保存截图的文件夹
    filename = "D:/pics/"
    if not os.path.isdir(filename):
        # 判断文件夹是否存在，如果不存在就创建一个
        os.makedirs(filename)
 
    # 读取保存url的文件，返回一个列表
    # 列表中每个元素都是一个元组，文件保存url的格式是：保存为图片的名称, 网页地址。
    # 例：baidu.png,https://www.baidu.com
    #     zhihu.png,https://www.zhihu.com
    with open('urls.txt', 'r') as f:
        lines = f.readlines()
    urls = []
    for line in lines:
        thelist = line.strip().split(",")
        if len(thelist) == 2 and thelist[0] and thelist[1]:
            urls.append((thelist[0], thelist[1]))
 
    # 创建进程池来多进程执行
    pool = mp.Pool()
    pool.map_async(func=webshot, iterable=urls)
    pool.close()
    pool.join()