Qiita Teams that are logged in
You are not logged in to any team

Log in to Qiita Team
Community
OrganizationEventAdvent CalendarQiitadon (β)
Service
Qiita JobsQiita ZineQiita Blog
5
Help us understand the problem. What are the problem?

More than 1 year has passed since last update.

@ksk001100

「プログラマが知るべき97のこと」をクローリングしてPDFを作る

はじめに

プログラマが知るべき97のこと」というエッセイ集がWeb上で公開されていたのでクローリングしてPDF化してみました。

プロジェクトの作成

今回はクローリングスクリプトではScrapyを使用し、PDF化スクリプトではreportlabを使用します。

$ mkdir ninety_seven_things
$ cd ninety_seven_things
$ pipenv install scrapy reportlab

クローリングスクリプト

crawler.py
from scrapy import Spider, Request
from functools import reduce
from operator import add

class NinetySevenThingsSpider(Spider):
    name = 'ninety_seven_things_spider'

    # クローリングを開始するURL
    start_urls = ['https://xn--97-273ae6a4irb6e2hsoiozc2g4b8082p.com/']

    custom_settings = {
        "DOWNLOAD_DELAY": 3, # ページ遷移間隔(秒)
        "FEED_EXPORT_ENCODING": 'utf-8', # エンコード指定
    }

    def parse(self, response):
        url_obj = response.xpath('/html/body/div/div/div/div/ol//li//a/@href')
        full_urls = map(lambda href: response.urljoin(href.extract()), url_obj)
        for full_url in full_urls:
            yield Request(full_url, callback=self.output)

    def output(self, response):
        title = response.xpath('/html/body/div/div/article/h1/text()').extract_first()
        author = response.xpath('/html/body/div/div/article/span/a/text()').extract_first()
        body = reduce(add, map(lambda x: x.extract() + '\n', response.css('p::text')[:-3]))
        yield {
            'title': title,
            'author': author,
            'body': body.replace('。', '。\n')
        }

クローリング

$ pipenv run scrapy runspider crawler.py -o output.json

PDF作成スクリプト

pdf.py
from reportlab.lib.pagesizes import A4
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.cidfonts import UnicodeCIDFont
from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer, PageBreak
from reportlab.lib.styles import getSampleStyleSheet
import json
from functools import reduce

FILENAME = 'プログラマが知るべき97のこと.pdf'
pdfmetrics.registerFont(UnicodeCIDFont('HeiseiKakuGo-W5'))
styles=getSampleStyleSheet()
styles["Normal"].fontName = 'HeiseiKakuGo-W5'

doc = SimpleDocTemplate(FILENAME,pagisize=A4)

with open('output.json', 'r') as f:
    texts = json.loads(f.read())
    story = reduce(lambda x, y: x + y, map(lambda text: [
        Paragraph('<font size=18>' + text['title'] + '</font>', styles["Normal"]),
        Spacer(1, 18),
        Paragraph('<font size=12> 著者: ' + text['author'] + '</font>', styles["Normal"]),
        Spacer(1, 12),
        Paragraph('<font size=10>' + text['body'] + '</font>', styles["Normal"]),
        PageBreak()
    ], texts))

    doc.build(story)

PDF作成

$ pipenv run python pdf.py

おわり

出典

プログラマが知るべき97のこと
CC-by-3.0-USでライセンスされているようです。

Why not register and get more from Qiita?
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away
5
Help us understand the problem. What are the problem?