python 合并pdf文件,markdown、html、word转pdf

9,490次阅读
没有评论

学的有点多,总结一下,防止遗忘,这里来记录一下,好记性不如烂笔头,时隔一年,忘得渣都不剩

首先先介绍几个pdf相关的模块

1.pdfkit,一个将html,url的内容,以及string,转pdf的模块, 速度很快,基本秒合成,如果数据很大的就另说了

2.pandoc,这个不得不说是文档界的瑞士军刀,超级强大的,个人认为是和视频界的ffmpeg一个级别的神器!!! 但是如果其他转pdf的话的需要另行下载一个支持库,我试了下,但是转换不快,就没在用了。

3.html2text: 主要用于将html代码转markdown

 这个库解析出来很快,用法很简单,常用:md_data = html2text.html2text(html_code),官方链接→

4.python-docx:

https://stackoom.com/question/3f76h/%E6%97%A0%E6%B3%95%E5%AE%89%E8%A3%85python-docx-MacOS

1.pdfkit详解

1.1window安装:

pip install pdfkit pdfkit版本:0.6.1

然后window下还需安装pdfkit支持的pdf转换程序 wkhtmltopdf,网址→,wkhtmltopdf这个程序是专门用于html转pdf的,效果是目前综合转换最棒的。

pdfkit是针对wxhtmltopdf封装的命令包,官方文档→

1.2 ubuntu下安装:

直接使用命令安装的话:debian / ubuntu仓库中的版本功能减少(因为它编译时未添加wkhtmltopdf QT补丁),例如添加了轮廓,页眉,页脚,TOC等。要使用此选项,您应该从wkhtmltopdf网站安装静态二进制文件

 sudo apt-get install wkhtmltopdf

这里还需要到wkhtmltopdf网站上下载deb,然后进行编译安装,才可以支持轮廓,页眉,页脚,TOC,也不会出错! 上面命令安装+下面的手动下载安装

wget https://github.com/wkhtmltopdf/wkhtmltopdf/releases/download/0.12.5/wkhtmltox_0.12.5-1.xenial_amd64.deb

# sudo dpkg -i <package.deb>
sudo dpkg -i wkhtmltox_0.12.5-1.xenial_amd64.deb

可能直接编译安装wkhtmltox_0.12.5-1.xenial_amd64.deb会出错,会提示缺失一些辅助程序,这时候可以修复一下在安装!

sudo apt --fix-broken install

2、ubuntu安装中文字体

如果不安装,中文字体的话,中文字体是显示不出来的!

sudo apt-get install ttf-wqy-zenhei
sudo apt-get install ttf-wqy-microhei

然后重启系统

原文地址:https://my.oschina.net/liuhui1990/blog/3095667

1.3用法:

基本的用法有三个, from_url:从url获取html代码转pdf, from_file:从本地html文件读取数据转pdf, from_string: 从字符串转pdf 基本用法:

import pdfkit

pdfkit.from_url('https://www.baidu.com/', 'out.pdf')

html_path = './test.html'
pdfkit.from_file(html_path, 'out.pdf')

st = '一个例子,用于生成pdf'
pdfkit.from_string(st, 'out.pdf')

高级用法: 1.pdfkie.from_url(['url1.url', 'url2.url', 'url3.url'], 'out.pdf')多个url的html代码合成一个pdf,并且每个html的标题会转为pdf的一个书签,还不错。

2.pdfkit.from_file(['h1.html', 'h2.html'], 'merge_html.pdf')

pdfkit.from_url(['google.com', 'yandex.ru', 'engadget.com'], 'out.pdf')

pdfkit.from_file(['file1.html', 'file2.html'], 'out.pdf')

3.pdf的options选项,设置页眉,页脚,页边距,等等功能...

更多option功能可以访问wkhtmltopdf的命令行选项,在命令行中输入wkhtmltopdf -h,会有超级多的选项,需要哪个功能学习哪个,或者直接看wkhtmltopdf options文档→,查到哪个option,就放到下面的字典中,key和vlue型。

options = {
    'page-size': 'A4',       # A4(default), Letter(书信大小), A0,A1,B1,etc(等等).
    'margin-top': '0.75in',   # 页面上边距
    'margin-right': '0.25in',
    'margin-bottom': '0.75in',
    'margin-left': '0.25in',
    'minimum-font-size': '30',   # 页面字体大小
    'footer-left': my_ip_word,  # 左页脚设定文本,center,left,right
    # 'header-center': my_ip_word,   # 页眉中间,
    'footer-font-size': '8',
    # 'header-font-size': '8',
    'encoding': "UTF-8"  # 设定生成pdf文件为utf-8编码,避免生成pdf中文乱码
    'custom-header' : [    # 它的request的headers ua标识头
        ('Accept-Encoding', 'gzip')
    ]
    'cookie': [         # request的cookies值,应该是在from_url中使用
    #其实本地数据无需使用这个cookies以及headers,直接用requests将数据提取出来
        ('cookie-name1', 'cookie-value1'),
        ('cookie-name2', 'cookie-value2'),
    ],
    }

pdfkit.from_file(html_path, '06.pdf', options=options)
}

下面是ISO标准的页面尺寸大小,

QPrinter::A0 5 841 x 1189 mm
QPrinter::A1 6 594 x 841 mm
QPrinter::A2 7 420 x 594 mm
QPrinter::A3 8 297 x 420 mm
QPrinter::A4 0 210 x 297 mm, 8.26 x 11.69 inches
QPrinter::A5 9 148 x 210 mm
QPrinter::A6 10 105 x 148 mm
QPrinter::A7 11 74 x 105 mm
QPrinter::A8 12 52 x 74 mm
QPrinter::A9 13 37 x 52 mm
QPrinter::B0 14 1000 x 1414 mm
QPrinter::B1 15 707 x 1000 mm
QPrinter::B2 17 500 x 707 mm
QPrinter::B3 18 353 x 500 mm
QPrinter::B4 19 250 x 353 mm
QPrinter::B5 1 176 x 250 mm, 6.93 x 9.84 inches
QPrinter::B6 20 125 x 176 mm
QPrinter::B7 21 88 x 125 mm
QPrinter::B8 22 62 x 88 mm
QPrinter::B9 23 33 x 62 mm
QPrinter::B10 16 31 x 44 mm
QPrinter::C5E 24 163 x 229 mm
QPrinter::Comm10E 25 105 x 241 mm, U.S. Common 10 Envelope
QPrinter::DLE 26 110 x 220 mm
QPrinter::Executive 4 7.5 x 10 inches, 190.5 x 254 mm
QPrinter::Folio 27 210 x 330 mm
QPrinter::Ledger 28 431.8 x 279.4 mm
QPrinter::Legal 3 8.5 x 14 inches, 215.9 x 355.6 mm
QPrinter::Letter 2 8.5 x 11 inches, 215.9 x 279.4 mm
QPrinter::Tabloid 29 279.4 x 431.8 mm
QPrinter::Custom 30 Unknown, or a user defined size.

注意事项 1.pdfkit_from_file中的中file必须是用utf8编码,因为如果内容 有中文的话,会出现合成的pdf中文乱码,因为pdfkit默认不支持中文编码,所以自己添加一个呗,所以在写入file.html的时候需使用将html代码用utf8编码

html_data = ''
with open('file.html', 'ab', encoding='utf8') as f:
    f.write(html_data)
或者直接是f.write(html_data.encode('utf8'))

2.或者在html的文件的head首部加上,声明这个html使用

<head><meta charset="UTF-8"></head>

3、html2text

安装:pip install html2text,更新:pip install html2text --upgrade

介绍:转换强大,没有什么错误,就是有点缺陷的就是,其实也不能说是缺陷,是网站的数据问题。就是有的图片链接是基于web主页链接的一个子链接,例如:/2020/test.jpg,这样的话如果你不进行图片链接不全,他就会默认这样 [!test] ](/2020/test.jpg),所以还是需要自己进行判断和修补。

import html2text

# 1.使用类方法
h = html2text.HTML2Text()      # 定义一个HTML2Text对象
h.ignore_links = True             # 是否屏蔽连接
html = '<p>是你吗教主<a href="http://www.baidu.com">是吗?</a></p>'
md_data = h.handle(html)
print(md_data)
# 是你吗教主[是吗?](http://www.baidu.com)   False
# 是你吗教主是吗?                   Ture

# 2.基础用法:

md_data_base = html2text.html2text(html)
print(md_data_base)
# 是你吗教主[是吗?](http://www.baidu.com)

4、pandoc

文档界格式转换最强大的的库软件,和音视频界的ffmpeg的地位一样,都是神器,文档地址→ 用到那个就学习那个功能,个人觉得没必要都学习,也没那时间,除非要基于pandoc做一款产品的时候,那时候就需要精通功能以及源码了。

pandoc下载地址:地址→

3.2markdown转word:

pandoc md_file.md -o word.docx 在python中直接:用格式符%s,然后用subprocess.Popen异步执行cmd,就可以进行转换

from subprocess import Popen

cmd = 'pandoc %s.md -o %s.docx' % (md_path, word_path)
Popen(cmd)   # 注意这个Popen执行cmd命令是异步的,并不会阻塞进程,但是就有点缺点,你不知道他什么时候执行完毕,如果你想通过转换后的的文件的是否存在,来触发事件,
1
西园公子
版权声明:本站原创文章,由西园公子2021-06-14发表,共计5185字。
转载提示:除特殊说明外本站文章皆由CC-4.0协议发布,转载请注明出处。
评论(没有评论)
载入中...