python之批量打印网页为pdf文件（一）

　　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！