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。
