如何抓取HTML5網站並將其HTML內容轉換為PDF（使用Python或Ruby庫）？

Question

我正在尋找一個引擎/解決方案/框架/ gem / egg / lib /無論是用於Ruby還是Python來登錄網站，抓取HTML5內容（主要是畫布上的圖表），並能夠將其轉換為PDF文件（或圖像）。

我能夠在機械化中編寫爬行腳本，因此我可以登錄網站並抓取數據，但機械化不了解復雜的JavaScript + HTML5。

所以基本上我正在尋找一個HTML5 / JavaScript解釋器。

Answer 1

這個問題有點令人困惑......抱歉，在再次閱讀問題后再次閱讀我的回答。

你的問題有兩個部分：

1.我如何抓取網站

可以使用Mechinize進行爬網，但正如您所說，它不能很好地執行Javascript。 所以一種方法是使用Capybara-webkit或Selenium（firefox / chrome）。

通常這用於測試，但您可以使用Ruby代碼驅動它來導航各種頁面。

2.如何將輸出轉換為PDF

如果您需要將已爬網的內容轉換為PDF，我認為沒有辦法做到這一點。 您可以使用Capybara-webkit或Selenium截取屏幕截圖（對測試很有用），但將其轉換為PDF可能只是通過一些命令行實用程序來解決它。

如果您正在尋找真正的HTML到PDF轉換器（通常用於從rails應用程序中的視圖生成報告），那么請使用PDFKit

基本上它是一個可以輸出到PDF的WebKit瀏覽器。 真的很簡單。