epub-crawler

用于抓取网页内容并制作 EPUB 的小工具。

安装

通过 pip（推荐）：

pip install EpubCrawler

从源码安装：

pip install git+https://github.com/apachecn/epub-crawler

使用指南

crawl-epub [CONFIG]

CONFIG: JSON 格式的配置文件，默认为当前工作目录中的 config.json

配置文件包含以下属性：

• name: String

  元信息中的书籍名称，也是在当前工作目录中保存文件的名称

• url: String（和list二选一）

  目录页面的 URL

• link: String（若url非空则必填）

  链接<a>的选择器

• list: [String]（和url二选一）

  待抓取页面的列表，如果这个列表不为空，则抓取这个列表

  ⚠该配置项会覆盖url、link和external⚠

• title: String（可空）

  文章页面的标题选择器（默认为title）

• content: String（可空）

  文章页面的内容选择器，为空则智能分析

• remove: String（可空）

  文章页面需要移除的元素的选择器

• credit: Boolean（可空）

  是否显示原文链接

• headers: {String: String}（可空）

  HTTP 请求的协议头，默认为{"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36"}

• retry: Integer（可空）

  HTTP 请求的重试次数，默认为 10

• wait: Float（可空）

  两次请求之间的间隔（秒），默认为 0

• timeout: Integer（可空）

  同时设置 HTTP 请求的连接和读取超时（秒）

  ⚠会覆盖connTimeout和readTimeout

• connTimeout: Integer（可空）

  HTTP 请求的连接超时（秒），默认为 1

• readTimeout: Integer（可空）

  HTTP 请求的读取超时（秒），默认为 60

• encoding: String（可空）

  网页编码，默认为 UTF-8

• optiMode: String（可空）

  图片处理的模型，'none'表示不处理，其它值请见 imgyaso 支持的模式，默认为'quant'

• colors: Integer（可空）

  imgyaso 接收的colors参数，默认为 8

• imgSrc: [String]（可空）

  图片源的属性，默认为["data-src", "data-original-src", "src"]

• proxy: String（可空）

  要使用的代理，格式为<protocal>://<host>:<port>

• checkStatus: Bool（可空）

  是否检查状态码。如果为true并且状态码非 2XX，当作失败。默认为False。

• textThreads: Integer（可空）

  爬取文本的线程数，默认为 5

• imgThreads: Integer（可空）

  爬取图片的线程数，默认为 5

• external: String（可空）

  外部脚本的路径。脚本中可定义get_toc和get_article函数来自定义获取目录和正文的逻辑。

  get_toc(html: string, url: string): [string]

  接受页面 HTML 和 URL，返回目录列表

  get_article(html: string, url: string): {'title': string, 'content': string}

  接受页面 HTML 和 URL，返回字典，title键是标题，content键是正文

  ⚠该配置项会覆盖link，title和content，但不会覆盖list⚠

• sizeLimit：String（可空）

  EPUB 大小限制，格式为【数字+字母单位】，默认为100m。

用于抓取我们的 PyTorch 1.4 文档的示例：

{
    "name": "PyTorch 1.4 中文文档 & 教程",
    "url": "https://gitee.com/apachecn/pytorch-doc-zh/blob/master/docs/1.4/SUMMARY.md",
    "link": ".markdown-body li a",
    "remove": "a.anchor",
    "headers": {"Referer": "https://gitee.com/"}
}

协议

本项目基于 SATA 协议发布。

您有义务为此开源项目点赞，并考虑额外给予作者适当的奖励。

赞助我们

另见

• ApacheCN 学习资源
• 计算机电子书
• 布客新知