python之批量打印网页为pdf文件(一)

时间:2024-03-02 15:43:04

  最近实际工作中,小爬遇到这样一个需求,小爬需要将多个流程申请表单网页另存为PDF文件,我们如何利用python将这个过程自动化呢?

  假定我们通过爬虫已经拿到了这些表单的URL,且这些流程表单需要登陆后才能打开。那像那些将HTML直接转pdf的库,如pdfkit、wkhtmltopdf就不能很好地发挥作用了。

  比较直接的方法是使用selenium库:pip install selenium即可快速安装它。利用它的driver.get(URL)方法请求网站的登录页,利用time.sleep(seconds)方法等待用户输入用户名密码正常进入网站,之后的每个driver.get请求,就自动属于登陆状态了。这里小爬倾向于使用chrome浏览器+chromedriver.exe配合selenium完成页面的自动化打印。

  等网页渲染好后,我们该如何打印呢?

  小爬之前尝试的一种方法是,利用windows10 自带的Microsoft Print To PDF虚拟打印机。借助pywin32库中win32print方法来操作.

比如自动设置系统当前默认打印机:

win32print.SetDefaultPrinter(device_name) # 设置默认打印机

  再比如,我们可以获取当前打印机:

currentPrinter=win32print.GetDefaultPrinterW()

  借助这两个api,我们就可以后台悄无声息地更改默认打印机为Microsoft Print To PDF来打印网页为pdf,用完后再悄悄还原默认打印机为用户一开始设定的常用打印机。

  之后就是在网页加载好之后,调用系统的打印界面,即Ctrl+Shift+P。我们需要借助win32api.keybd_event(vk_code[keyname],0,0,0) 来完成模拟,之后等待系统打印窗口弹出后,再借助win32api的findWindow、sendmessage方法来捕获窗口以及完成窗口元素的点击和编辑。由于之前的博文中已经有提及此方法,再此不再赘述。该方法的主要缺陷在于:

  1. win32api.keybd_event不稳定,当我们的窗口焦点丢失时,我们的模拟热键可能会失败;
  2. findWindow、sendmessage方法有时也会失败。

  为了提高程序的稳定性,我们可能不得不使用try except结合while循环来配合使用,多次调用这些window api,直至成功。也正是因为这些,小爬最终决定使用chrome中原生的打印方法,然后调用chrome的“另存为PDF”功能来完成 html 转PDF。

  那么python+selenium这条线如何来自动调用chrome的这套方法呢?

 

 

   上图中标示的这些参数,如何通过selenium传导给浏览器,告诉浏览器我们的打印具体配置参数需求?小爬已经提前帮大家踩坑了,示例代码如下:

import os,json,time
from selenium import webdriver
from selenium.webdriver.common.keys import Keys

chrome_options = webdriver.ChromeOptions()

settings = {
    "recentDestinations": [{
        "id": "Save as PDF",
        "origin": "local",
        "account": ""
    }],
    "selectedDestinationId": "Save as PDF",
    "version": 2,
    "isHeaderFooterEnabled": False,

    # "customMargins": {},
    # "marginsType": 2,
    # "scaling": 100,
    # "scalingType": 3,
    # "scalingTypePdf": 3,
    "isLandscapeEnabled":True,#landscape横向,portrait 纵向,若不设置该参数,默认纵向
    "isCssBackgroundEnabled": True,
    "mediaSize": {
        "height_microns": 297000,
        "name": "ISO_A4",
        "width_microns": 210000,
        "custom_display_name": "A4 210 x 297 mm"
    },
}

chrome_options.add_argument(\'--enable-print-browser\')
#chrome_options.add_argument(\'--headless\') #headless模式下,浏览器窗口不可见,可提高效率

prefs = {
    \'printing.print_preview_sticky_settings.appState\': json.dumps(settings),
    \'savefile.default_directory\': \'your file path\' #此处填写你希望文件保存的路径
}
chrome_options.add_argument(\'--kiosk-printing\') #静默打印,无需用户点击打印页面的确定按钮
chrome_options.add_experimental_option(\'prefs\', prefs)


driver = webdriver.Chrome("./chromedriver", options=chrome_options)
driver.get(\'your URL\')
driver.maximize_window()
# time.sleep(7)
driver.execute_script(\'document.title="my_test_file1.pdf";window.print();\') #利用js修改网页的title,该title最终就是PDF文件名,利用js的window.print可以快速调出浏览器打印窗口,避免使用热键ctrl+P
driver.close()

  代码中的setting部分详细注明了,如何设置打印窗口的缩放、边距、纸张类型、打印机名、页面布局(横向、纵向)等信息,供各位参考。

该方法有如下优势:

  1. chrome原生的打印网页为pdf功能,支持较好;
  2. 配置参数灵活,个性化打印;
  3. 稳定,几乎不会出错,也不需要加sleep来提升程序的稳定性;
  4. 效率更高。

  有相同需求的你,还不赶快试试?

 

欢迎扫码关注我的公众号 获取更多爬虫、数据分析的知识!