python课本图片_【js+python】在线电子书页面图片抓取整合为pdf

2024-01-29 19:50

本文主要是介绍python课本图片_【js+python】在线电子书页面图片抓取整合为pdf,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

声明

本贴所涉及内容仅用于学习交流,请勿作他用。

前言

你是否有过这样一段经历,有一本很喜欢的电子书就显示在你浏览器上,可你就是无法将之保存下来随心所欲地浏览,只能咬牙切齿乖乖地使用浏览器来阅读。本帖将以某网站的电子书为例,讲解如何利用浏览器将电子书保存为图片,并整合为pdf版电子书。

所用工具

火狐浏览器

python环境(用于整合图片为pdf)

Step1 侦查

查看该页面对应的节点,发现它只是一张水印图

none.gif

182921ge9qw1qq8wqztlmq.png (259.69 KB, 下载次数: 0)

2020-3-1 12:48 上传

删除它

none.gif

182924qmehh6hnvcmznet2.png (285.27 KB, 下载次数: 0)

2020-3-1 12:48 上传

重复选择元素的操作,如若不是我们所需的页面图片元素则删除,直到找到为止

none.gif

182927r505eurnfnvvnvfn.png (279.14 KB, 下载次数: 1)

2020-3-1 12:48 上传

这里我们看到电子书的页面是用一个canvas标签显示。继续一番侦查后我们可以发现,电子书的页面并不会一次全部加载,只有当浏览器翻到那个页面附近后才开始加载,并且较外一层节点的class名为page的div标签会置属性data_loaded为true,没加载的页面则没有canvas标签,也就不能保存下相应页面图片了。这提醒我们:要保存整本电子书,需要模拟电子书的翻页操作,使得页面能够加载,而模拟翻页操作只需调用该网页自带的“下一页”按钮的click函数,即可实现翻页操作。

none.gif

182933cjbdmzn642t2m6av.png (293.17 KB, 下载次数: 0)

2020-3-1 12:48 上传

继续探索,我们能够看到更外层有着3个iframe标签,每个iframe里面包含了10个电子书页面,通过手动翻页,我们还能够发现每10页会切换到下一个iframe,通过这种方式循环切换这3个iframe。

none.gif

182930k3gw68sm550cakzs.png (282.13 KB, 下载次数: 0)

2020-3-1 12:48 上传

none.gif

182938p24vsppv3y0006sh.png (852.91 KB, 下载次数: 0)

2020-3-1 12:48 上传

为了能够得知当前页数及总页数,我们从相关的元素中查找,可以在自定义页数的监听器里找到获取所有页数的方法为window.getTotalPage(),注意这里的window对象是iframe的window。我们切换到控制台,第一次使用控制台执行js语句需先输入一句指令(具体指令控制台中会有相应提示),之后输入frames[0].get,我们能看到其相关的方法,里面就有获取当前页面的方法getCurrentPage。

none.gif

184451empbn18zb1trpjvt.png (1018.13 KB, 下载次数: 0)

2020-3-1 12:49 上传

none.gif

182941re0e2zt022xuetez.png (985.91 KB, 下载次数: 0)

2020-3-1 12:49 上传

Step2 行动

根据上面侦查到的信息,我们可使用以下js脚本进行电子书的页面抓取

function download(canvas, file_name) {

var MIME_TYPE = "image/png"; //保存图片的格式

var img_url = canvas.toDataURL(MIME_TYPE); //canvas保存的图片链接

var dl_link = document.createElement('a');

dl_link.download = file_name;

dl_link.href = img_url;

dl_link.dataset.downloadurl = [MIME_TYPE, dl_link.download, dl_link.href].join(':');

dl_link.click(); //开始下载

}

function next(i, page_cnt){

var frame_document = null;

while(frame_document == null){ // 找出当前页所在iframe的document对象

for(var idx = 0; idx < 3; idx += 1){

if(frames[idx].getCurrentPage != null && frames[idx].getCurrentPage() == page_cnt){

frame_document = frames[idx].frameElement.contentDocument;

break;

}

}

}

var page = frame_document.getElementsByClassName('page'); // 获取所有class名为page的节点

var canvas = null;

while(canvas == null){

canvas = page[i].getElementsByTagName('canvas')[0]; // 获取当前页的canvas

}

download(canvas, `${page_cnt}.png`); // 保存为图片

frame_document.getElementById('next').click(); // 找到下一页按钮并模拟点击

i = (i + 1) % 10; // 下一次所在iframe的页数

page_cnt += 1; // 下一次的页数

var timeout = 2000 // 设置延迟2秒

if(page_cnt <= frames[0].getTotalPage()){ //超过总页数则停止

setTimeout(function(){next(i, page_cnt);}, timeout); // 延迟2秒获取下一页

}

}

var i = 0; // 当前iframe的页数

var page_cnt = 1; // 当前页数

setTimeout(function(){next(i, page_cnt);}); // 开始获取第一页

这里之所以不使用while循环来下载所有页面,是因为在控制台中一次性执行多条语句时,即使已经执行过某些使页面更新的代码,网页也不会立即更新,只有执行完所有代码之后,网页才会更新,此时电子书的页面才能够加载。这里使用了setTimeout方法来新开一个线程执行下载页面的方法,执行该方法时不会阻塞,因此当调用了该方法后会直接跳到其下面的代码,不会像循环一样停在代码段的某处,导致电子书页面不能加载。

在开始执行之前,我们先设置下载的路径及对应文件格式的下载配置,避免恼人的下载询问弹框

none.gif

182944xvl610ffsc1lj1f0.png (120.92 KB, 下载次数: 0)

2020-3-1 12:46 上传

先将电子书跳转到第一页,之后将js代码复制到控制台后回车,便可以开始提取并下载电子书图片了

none.gif

182947oajwpppw7jwu2i15.png (490.91 KB, 下载次数: 1)

2020-3-1 12:49 上传

none.gif

205027j5j5f9go507oocej.png (538.66 KB, 下载次数: 0)

2020-3-1 12:49 上传

下载完图片之后,可通过运行以下python代码整合图片为pdf文件,不过需要先使用命令pip install pillow安装一下所需第三方库。

from PIL import Image

import os

path = r'E:\Download\page' # 图片路径

img_file = sorted(os.listdir(path), key=lambda x: int(x.split('.')[0]))

first_img = Image.open(rf'{path}\{img_file[0]}').convert('RGB')

imgs = [Image.open(rf'{path}\{i}').convert('RGB') for i in img_file[1:]]

first_img.save(rf'{path}\book.pdf', 'PDF', resolution=100.0, save_all=True, append_images=imgs)

执行完代码后,可以发现在图片所在目录下多了一个book.pdf文件

none.gif

205609rs7timscmxxus6wa.jpg (354.81 KB, 下载次数: 0)

2020-3-1 12:49 上传

结语

以上过程可作为一些无法获取源文件网站的在线电子书抓取参考,针对这个网站,论坛里已经有人提出可以直接从url提取出源文件地址了,如我上面的网址https://pdfxz.pmph.com/mediapreview/pdf/dist/index.html?url=https://pdfxz.pmph.com/pdffile/9aa409e0102e4341b04b94d7e8a30d40&pagesize=10&total=164 ,提取之后的源文件地址为https://pdfxz.pmph.com/pdffile/9aa409e0102e4341b04b94d7e8a30d40.pdf ,可以不必大费周章地去整图片了。

这篇关于python课本图片_【js+python】在线电子书页面图片抓取整合为pdf的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/658004

相关文章

利用python实现对excel文件进行加密

《利用python实现对excel文件进行加密》由于文件内容的私密性,需要对Excel文件进行加密,保护文件以免给第三方看到,本文将以Python语言为例,和大家讲讲如何对Excel文件进行加密,感兴... 目录前言方法一:使用pywin32库(仅限Windows)方法二:使用msoffcrypto-too

SpringBoot整合OpenFeign的完整指南

《SpringBoot整合OpenFeign的完整指南》OpenFeign是由Netflix开发的一个声明式Web服务客户端,它使得编写HTTP客户端变得更加简单,本文为大家介绍了SpringBoot... 目录什么是OpenFeign环境准备创建 Spring Boot 项目添加依赖启用 OpenFeig

SpringBoot整合mybatisPlus实现批量插入并获取ID详解

《SpringBoot整合mybatisPlus实现批量插入并获取ID详解》这篇文章主要为大家详细介绍了SpringBoot如何整合mybatisPlus实现批量插入并获取ID,文中的示例代码讲解详细... 目录【1】saveBATch(一万条数据总耗时:2478ms)【2】集合方式foreach(一万条数

使用Python实现矢量路径的压缩、解压与可视化

《使用Python实现矢量路径的压缩、解压与可视化》在图形设计和Web开发中,矢量路径数据的高效存储与传输至关重要,本文将通过一个Python示例,展示如何将复杂的矢量路径命令序列压缩为JSON格式,... 目录引言核心功能概述1. 路径命令解析2. 路径数据压缩3. 路径数据解压4. 可视化代码实现详解1

python获取网页表格的多种方法汇总

《python获取网页表格的多种方法汇总》我们在网页上看到很多的表格,如果要获取里面的数据或者转化成其他格式,就需要将表格获取下来并进行整理,在Python中,获取网页表格的方法有多种,下面就跟随小编... 目录1. 使用Pandas的read_html2. 使用BeautifulSoup和pandas3.

Python装饰器之类装饰器详解

《Python装饰器之类装饰器详解》本文将详细介绍Python中类装饰器的概念、使用方法以及应用场景,并通过一个综合详细的例子展示如何使用类装饰器,希望对大家有所帮助,如有错误或未考虑完全的地方,望不... 目录1. 引言2. 装饰器的基本概念2.1. 函数装饰器复习2.2 类装饰器的定义和使用3. 类装饰

Python 交互式可视化的利器Bokeh的使用

《Python交互式可视化的利器Bokeh的使用》Bokeh是一个专注于Web端交互式数据可视化的Python库,本文主要介绍了Python交互式可视化的利器Bokeh的使用,具有一定的参考价值,感... 目录1. Bokeh 简介1.1 为什么选择 Bokeh1.2 安装与环境配置2. Bokeh 基础2

Android使用ImageView.ScaleType实现图片的缩放与裁剪功能

《Android使用ImageView.ScaleType实现图片的缩放与裁剪功能》ImageView是最常用的控件之一,它用于展示各种类型的图片,为了能够根据需求调整图片的显示效果,Android提... 目录什么是 ImageView.ScaleType?FIT_XYFIT_STARTFIT_CENTE

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

Python的time模块一些常用功能(各种与时间相关的函数)

《Python的time模块一些常用功能(各种与时间相关的函数)》Python的time模块提供了各种与时间相关的函数,包括获取当前时间、处理时间间隔、执行时间测量等,:本文主要介绍Python的... 目录1. 获取当前时间2. 时间格式化3. 延时执行4. 时间戳运算5. 计算代码执行时间6. 转换为指