chanwoood / crawl-zsxq Goto Github PK

~

抓取图片是很简单的，只是要用合适的标签插入 HTML 文档，方可正确地转换为 PDF

解决了从无到有的问题，真心感谢一个！

目前看有三个问题：

1. 较长的图片会被隔页分割
   
2. 图片中较小的文字完全无法看清
   
3. 抓取到15页就没了，日期是3月20日，当日后面还有别的互动。

其中，我在想，问题1、2能否用html方式解决，因为PDF里面图片是死的，有些圈子里分享的还是文件格式。HTML的话，一方面图片可以用fancybox插件放缩，另一方面其他格式文件可以以链接形式附上。我看到中间你也是用生成HTML进行过渡的，但这么一来，可能这就涉及到最后怎么整合的问题，我想能不能用Gitbook或类似的东西进行封装？

谢谢！

Traceback (most recent call last):
File "C:/Users/Administrator/Downloads/crawl-zsxq-master/crawl.py", line 119, in
make_pdf(get_data(start_url))
File "C:/Users/Administrator/Downloads/crawl-zsxq-master/crawl.py", line 37, in get_data
for topic in json.loads(f.read()).get('resp_data').get('topics'):
TypeError: 'NoneType' object is not iterable
提示这个错误怎么解决呢？

如果分享技术就好了，发表星球里的内容，就不太妥

爬出来的内容回车都没有了，糊成一团，不知道是爬出来的数据本来就没有，还是转PDF的时候把回车去掉了，有空可以修复下。谢谢作者的贡献~

start_url那里我不知道该如何添加，所以直接复制URL后得到如下报错：
Traceback (most recent call last):
File "crawl.py", line 119, in
make_pdf(get_data(start_url))
File "crawl.py", line 34, in get_data
f.write(json.dumps(rsp.json(), indent=2, ensure_ascii=False))
File "C:\anaconda\lib\site-packages\requests\models.py", line 892, in json
return complexjson.loads(self.text, **kwargs)
File "C:\anaconda\lib\json_init_.py", line 354, in loads
return _default_decoder.decode(s)
File "C:\anaconda\lib\json\decoder.py", line 339, in decode
obj, end = self.raw_decode(s, idx=_w(s, 0).end())
File "C:\anaconda\lib\json\decoder.py", line 357, in raw_decode
raise JSONDecodeError("Expecting value", s, err.value) from None
json.decoder.JSONDecodeError: Expecting value: line 1 column 1 (char 0)

请问，这只是因为start_url的问题吗？如果是的话，应该怎么找到精华区的接口呢？麻烦您了

举例：
第一页的时间是2018-01-01T01:01:01.000+0800（主要是000这里）
翻页就变成了2018-01-01T01:01:01.0-1+0800

正确的应该是2018-01-01T01:01:00.999+0800

File "D:/SourceCodes/crawl-zsxq-master/crawl1.py", line 37, in get_data
for topic in json.loads(f.read()).get('resp_data').get('topics'):

TypeError: 'NoneType' object is not iterable

https://api.zsxq.com/v1.10/groups/2421112121/topics?scope=digests&count=20&end_time=2018-04-12T15%3A49%3A13.443%2B0800
路径后面的 end_time 表示加载帖子的最后日期，以此达到翻页。