老是有同学问，学了 Python 基础后不知道可以做点什么来提高。今天就再用个小例子，给大家讲讲，通过 Python 和 爬虫 ，可以完成怎样的小工具。

在知乎上，你一定关注了一些不错的专栏（比如 Crossin的编程教室）。但万一有那么一天，你喜欢的答主在网上被人喷了，一怒之下删帖停更，这些好内容可就都看不到了。尽管这是小概率事件（可也不是没发生过），但未雨绸缪，你可以把关注的专栏导出成电子书，这样既可以离线阅读，又不怕意外删帖了。

只是需要工具和源码的可以拉到文章底部获取代码。

【最终效果】

运行程序，输入 专栏的 id ，也就是网页地址上的路径：

之后程序便会自动抓取专栏中的文章，并按发布时间合并导出为 pdf 文件。

【实现思路】

这个程序主要分为三个部分：

1. 抓取专栏文章地址 列表
2. 抓取每一篇文章的 详细内容
3. 导出 PDF

1. 抓取列表

在之前的文章 中介绍过如何分析一个网页上的请求。按照其中的方法，我们可以通过 开发者工具 的 Network 功能 找出专栏页面获取详细列表的请求：

https://www.zhihu.com/api/v4/columns/crossin/articles

观察返回结果中发现，通过 next 和 is_end 的值，我们能获取下一次列表请求的地址（相当于向下滚动页面的触发效果）以及判断是否已经拿到所有文章。

而 data 中的 id、title、url 就是我们需要的数据。因为 url 可以通过 id拼出，所以我们的代码里未保存它。

使用一个 while 循环，直到抓取完所有文章的 id 和 title，保存在文件中。

while True:    resp = requests.get(url, headers=headers)    j = resp.json()    data = j['data']    for article in data:        # 保存id和title(略)    if j['paging']['is_end']:        break    url = j['paging']['next']    # 按 id 排序(略)    # 导入文件(略)

2. 抓取文章

有了所有文章的 id / url，后面的抓取就很简单了。文章主体内容就在 Post-RichText 的标签中。

需要稍微花点功夫的是一些文本上的处理，比如原页面的图片效果，会加上 noscript标签和 `、highlight">

url = 'https://zhuanlan.zhihu.com/p/' + idhtml = requests.get(url, headers=headers).textsoup = BeautifulSoup(html, 'lxml')content = soup.find(class_='Post-RichText').prettify()# 对content做处理(略)with open(file_name, 'w') as f:    f.write(content)

到这一步，就已经完成了所有内容的抓取，可以在本地阅读了。

3. 导出 PDF

为了更便于阅读，我们使用 wkhtmltopdf + pdfkit ，将这些 HTML 文件打包成 PDF。

wkhtmltopdf 是一个 HTML 转 PDF 的工具，需要单独安装，具体可参考它的官网介绍。

pdfkit 是对此工具封装的 Python 库，可从 pip 安装：

pip install pdfkit

使用起来很简单：

# 获取htmls文件名列表(略)pdfkit.from_file(sorted(htmls), 'zhihu.pdf')

这样就完成了整个专栏导出。

不仅是知乎专栏，几乎大多数信息类网站，都是通过 1.抓取列表 2.抓取详细内容 这两个步骤来采集数据。因此这个代码稍加修改，即可用在很多别的网站上。只不过有些网站需登录后访问，那么就需要对 headers 里的 cookie 信息进行设置。此外，不同网站的请求接口、参数、限制都不尽相同，所以还是要具体问题具体分析。

关于这些爬虫的开发技巧，都可以在我们的 爬虫实战 课程中学到。 有需要的请在公众号里回复 爬虫实战

【源码下载】

获取知乎专栏下载器源码，请在公众号（ Crossin的编程教室 ）里回复关键字 知乎

除了代码外， 本专栏打包好的 PDF 也一并奉上，欢迎阅读与分享。

════

其他文章及回答：

| | | | | | | | | |

欢迎搜索及关注： Crossin的编程教室