神器：用 pyppeteer 转换公众号文章为PDF
共 6423字，需浏览 13分钟
·
2021-03-11 09:28
之前介绍过一些将html转换为PDF文件的库，比如 wkhtmltopdf、WeasyPrint，今天再介绍另一个神器Pyppeteer可将html页面转换为PDF。
Pyppeteer 是什么
介绍 Pyppeteer 之前，有必要先介绍一下 Puppeteer，Puppeteer 是谷歌官方出的一个通过DevTools协议控制headless Chrome的Node库。通过Puppeteer可以直接控制Chrome浏览器模拟大部分用户操作。
所谓Headless Chrome 就是 Chrome 浏览器的无界面形态。
而 Pyppeteer 就是 Puppeteer 的 Python 版本非官方实现，它是一位来自于日本的工程师依据 Puppeteer 的一些功能开发出来的非官方版本
Pyppeteer 采用了 Python 的 async 机制，需要Python3.5 及以上版本才支持。
Pyppeteer能做什么
但凡是需要通过Chrome浏览器手动完成的操作都可以通过 Pyppeteer 自动完成，例如：
生成页面截图 生成PDF文件 抓取单页面应用并生成预先呈现的内容 从网站抓取你需要的内容 自动表单提交，UI测试，键盘输入等
截图
例如将页面生成截图可以直接调用 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())
截图功能在海报分享等场景用的多，有看过有赞工程师分享的一篇文章，就有用到Puppeteer来做海报分享，性能比Canvas高。
而将网页转换为PDF的应用场景更多，比如将网站博客、专栏，或者公众号文章批量导出PDF，方便离线阅读，比如我们最近做的一个医疗项目需要将用户填写的资料支持PDF形式批量导出，就是用的Pyppeteer
导出PDF
导出pdf直接调用page.pdf方法就可以， 代码非常简洁
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())
接下来我们以公众号文章为例，将html页面制作成一个PDF文件。
公众号链接导出PDF示例
安装 pyppeteer
pip install pyppeteer
任意找一篇公众号的文章链接
url = "https://mp.weixin.qq.com/s/6VBXs19icV0O5hT7cHYwgw"
完成代码：
browser = await launch()
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()
第一次运行的时候，会自动下载chromium浏览器，chromium是chrome的开源版本， 需要几分钟才能下载完
[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
执行完成后，我们来预览下pdf文件
和原文链接对比，发现文章中的图片丢失了。
通过分析，原来是页面源代码中，img 标签没有src属性，只有个src 属性，默认情况下图片是无法正常显示的，图片之所有能在浏览器能正常展示出来，是有个js脚本动态地修改了dom元素为 <img src='xxxx'>
这个网页使用的是一种叫懒加载的技术展示图片内容，所谓懒加载就是图片不会一次全部下载完，而是当前浏览到什么位置，就加载该处的图片，这样能提高页面的响应速度，同时减轻服务器性能。
所以，我们也可以通过js代码模拟真人浏览网页一样，滚动鼠标，不停地往下滑动，将图片动态加载出来。
最后，完整代码就变成了这样：
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())
将js 代码封装成一个字符串当作参数传给 page.evaluate 函数， 该代码就是获不断滚动页面，直到页面底部为止。这样整个页面的图片就全部加载出来了。
效果看起来还不错，和原页面的样式是一样的（点击图片放大查看）
在Pyppeteer实践应用过程中，也遇到不少坑，最后都逐个解决了，这可以单独写一篇文章，如果你在使用过程中遇到任何问题欢迎与我交流