API tools faq
paste
Advertisement
nicuf

Convert all html to PDF in a single book

nicuf
Jan 11th, 2024
1,212
0
Never
Add comment
Not a member of Pastebin yet? Sign Up, it unlocks many cool features!
Python 13.11 KB | None | 0 0
raw download clone embed print report
  1. from fpdf import fpdf, html
  2. import os
  3. import re
  4. from PyPDF2 import PdfMerger
  5.  
  6.  
  7.  
  8. def read_text_from_file(file_path):
  9.     """
  10.    Aceasta functie returneaza continutul unui fisier.
  11.    file_path: calea catre fisierul din care vrei sa citesti
  12.    """
  13.     with open(file_path, encoding='utf8', errors='ignore') as f:
  14.         text = f.read()
  15.         f.close()
  16.         return text
  17.  
  18. def write_to_file(text, file_path):
  19.     """
  20.    Aceasta functie scrie un text intr-un fisier.
  21.    text: textul pe care vrei sa il scrii
  22.    file_path: calea catre fisierul in care vrei sa scrii
  23.    """
  24.     with open(file_path, 'wb') as f:
  25.         f.write(text.encode('utf8', 'ignore'))
  26.         f.close()
  27.  
  28. dict_simboluri = dict()
  29. dict_simboluri['ă'] = 'ă'
  30. dict_simboluri['â'] = 'â'
  31. dict_simboluri['ã'] = 'ã'
  32. dict_simboluri['â'] = 'â'
  33. dict_simboluri['ă'] = 'ă'
  34. dict_simboluri['â'] = 'a'
  35. dict_simboluri['  '] = ' '
  36. dict_simboluri['î'] = 'î'
  37. dict_simboluri['Î'] = 'Î'
  38. dict_simboluri['î'] = 'î'
  39. dict_simboluri['î'] = 'î'
  40. dict_simboluri['Î'] = 'Î'
  41. dict_simboluri['Î'] = 'Î'
  42. dict_simboluri['î'] = 'î'
  43. dict_simboluri['Î'] = 'i'
  44. dict_simboluri['Î'] = 'Î'
  45. dict_simboluri[' '] = ' '
  46. dict_simboluri['ș'] = 'ș'
  47. dict_simboluri['Ș'] = 'Ș'
  48. dict_simboluri['Ş'] = 'Ş'
  49. dict_simboluri['ș'] = 'ș'
  50. dict_simboluri['ş'] = 'ș'
  51. dict_simboluri['&'] = ''
  52. dict_simboluri['ț'] = 'ț'
  53. dict_simboluri['ţ'] = 'ț'
  54. dict_simboluri['Ţ'] = 'Ţ'
  55. dict_simboluri['ț'] = 'ț'
  56. dict_simboluri['”'] = '"'
  57. dict_simboluri['“'] = '"'
  58. dict_simboluri['&'] = ''
  59.  
  60. def save_to_pdf(directory_path):
  61.     modified_files = []
  62.     file_count = 0
  63.     for root, dirs, files in os.walk(directory_path):
  64.         for file_name in files:
  65.             if file_name.endswith(".html"):
  66.                 try:
  67.  
  68.                 # ignora fisierele care contin 'webinar' in numele lor
  69.                     if "webinar" in file_name:
  70.                         print(f"Fișierul {file_name} conține 'webinar' în numele său și va fi ignorat.")
  71.                         continue
  72.  
  73.                     file_path = root + os.sep + file_name
  74.                     file_content = read_text_from_file(file_path)
  75.  
  76.                     # ignora fisierele care contin 'https://pastebin.com' in continutul lor
  77.                     if "https://pastebin.com" in file_content:
  78.                         print(f"Fișierul {file_name} conține 'https://pastebin.com' în conținutul său și va fi ignorat.")
  79.                         continue
  80.  
  81.                     # creare fisier PDF
  82.                     class PDF(fpdf.FPDF, html.HTMLMixin):
  83.                         pass
  84.  
  85.                     if '<!-- ARTICOL START -->' in file_content:
  86.                         pdf = PDF()
  87.                         pdf.add_page()
  88.                         pdf.add_font("Kanit", fname="e:/Carte/BB/17 - Site Leadership/alte/Ionel Balauta/Aryeht/Task 1 - Traduce tot site-ul/Doar Google Web/Andreea/Meditatii/Sedinta 20 august 2022/fonts/Kanit-Regular.ttf", uni=True)
  89.                         pdf.add_font("Kanit", style="B", fname="e:/Carte/BB/17 - Site Leadership/alte/Ionel Balauta/Aryeht/Task 1 - Traduce tot site-ul/Doar Google Web/Andreea/Meditatii/Sedinta 20 august 2022/fonts/Kanit-Bold.ttf", uni=True)
  90.                         pdf.add_font("Kanit", style="I", fname="e:/Carte/BB/17 - Site Leadership/alte/Ionel Balauta/Aryeht/Task 1 - Traduce tot site-ul/Doar Google Web/Andreea/Meditatii/Sedinta 20 august 2022/fonts/Kanit-Italic.ttf", uni=True)
  91.                         pdf.add_font("Kanit", style="BI", fname="e:/Carte/BB/17 - Site Leadership/alte/Ionel Balauta/Aryeht/Task 1 - Traduce tot site-ul/Doar Google Web/Andreea/Meditatii/Sedinta 20 august 2022/fonts/Kanit-BoldItalic.ttf", uni=True)
  92.  
  93.  
  94.                         pdf.set_font("Kanit", size=24)
  95.  
  96.                         # extras denumire articol
  97.                         den_articol = re.search('<h1 class="den_articol" itemprop="name">(.*?)</h1>', file_content) # TITLU ARTICOL
  98.                         if (den_articol == None):
  99.                             print("Nu am gasit --- denumire articol --- in fisierul --- {} ---.".format(file_path))
  100.                         else:
  101.                             den_articol = den_articol.group(1)
  102.                             for simbol in dict_simboluri.keys():
  103.                                 den_articol = den_articol.replace(simbol, dict_simboluri[simbol])
  104.  
  105.                         pdf.set_text_color(204, 0, 0) # rosu
  106.                         pdf.set_font('Kanit', size=14, style="B")
  107.                         pdf.multi_cell(w=190, txt=den_articol)
  108.                         pdf.ln()
  109.                         pdf.set_font('Kanit', size=12)
  110.  
  111.                         # extras data
  112.                         date = re.search('<td class="text_dreapta">(.*?), in <a', file_content) # DATA ARTICOLULUI
  113.                         if (date == None):
  114.                             print("Nu am gasit --- date --- in fisierul --- {} ---.".format(file_path))
  115.                         else:
  116.                             date = date.group(1)
  117.  
  118.                         pdf.set_text_color(0, 102, 204) # albastru
  119.                         pdf.set_font('Kanit', size=8, style="B")
  120.                         pdf.cell(txt=date)
  121.                         pdf.ln()
  122.                         pdf.ln()
  123.                         pdf.ln()
  124.                         pdf.ln()
  125.                         pdf.set_text_color(0, 0, 0) # negru (default)
  126.                         pdf.set_font('Kanit', size=12)
  127.                         # extras text
  128.                         # articol = re.search('<!-- ARTICOL START -->([\s\S]*?)<!-- ARTICOL FINAL -->', file_content)
  129.                         articol = re.search(r'<!-- ARTICOL START -->([\s\S]*?)<!-- ARTICOL FINAL -->', file_content)
  130.  
  131.                         if (articol == None):
  132.                             print("Nu am gasit --- ARTICOL START/FINAL --- in fisierul --- {} ---.".format(file_path))
  133.                         else:
  134.                             articol = articol.group(1)
  135.                             articol = articol.replace("&quot;", "\"")
  136.                             articol = articol.replace("&rsquo;", "'")
  137.  
  138.                             # paragraphs
  139.                             par_regex = re.compile('<p class="text_obisnuit.*?">.*?</p>')
  140.                             pars = re.findall(par_regex, articol)
  141.                             pars_text = list()
  142.  
  143.                             if (len(pars) == 0):
  144.                                 print("Nu am gasit -- paragrafe text_obisnuit -- in fisierul --- {} ---.".format(file_path))
  145.                             else:
  146.                                 for i in range(0, len(pars)):
  147.                                     pars_text = []  # reinițializează lista la începutul fiecărei iterații
  148.                                     if ('<p class="text_obisnuit">' in pars[i]):
  149.                                         # identificam clasa text_obisnuit si preluam textul
  150.                                         content = re.findall('<p class="text_obisnuit">(.*?)</p>', pars[i])
  151.                                         if (len(content) == 0):
  152.                                             print("Nu am gasit text in paragraful {}, fisierul {}.".format(pars[i], file_path))
  153.                                         else:
  154.                                             # punem textul intr-o celula multi_cell
  155.                                             for simbol in dict_simboluri.keys():
  156.                                                 content[0] = content[0].replace(simbol, dict_simboluri[simbol])
  157.                                             content[0] = re.sub('<img[^>]*>', '', content[0])  # linia nou adăugată
  158.                                             pars_text.append(content[0])
  159.                                             pdf.write_html(text=f'<p class="text_obisnuit">{content[0]}</p>')
  160.  
  161.                                             # adaugam linie goala intre paragrafe
  162.                                             pdf.ln();
  163.  
  164.  
  165.                                     elif ('<p class="text_obisnuit2">' in pars[i]):
  166.  
  167.                                         # identificam clasa text_obisnuit2 si preluam textul
  168.                                         content = re.findall('<p class="text_obisnuit2">(.*?)</p>', pars[i])
  169.                                         if (len(content) == 0):
  170.                                             print("Nu am gasit text in paragraful {}, fisierul {}.".format(pars[i], file_path))
  171.                                         else:
  172.  
  173.                                             # setam fontul cu bold
  174.                                             pdf.set_font('Kanit', size=12, style="B")
  175.  
  176.  
  177.                                             # punem textul intr-o celula multi_cell
  178.                                             for simbol in dict_simboluri.keys():
  179.                                                 content[0] = content[0].replace(simbol, dict_simboluri[simbol])
  180.                                             pars_text.append(content[0])
  181.                                             # pdf.multi_cell(w=190, txt = content[0])
  182.                                             pdf.write_html(text=f'<p class="text_obisnuit2"><b>{content[0]}</b></p>')
  183.  
  184.                                             # adaugam linie goala intre paragrafe
  185.                                             pdf.ln();
  186.  
  187.                                             # resetam fontul
  188.                                             pdf.set_font('Kanit', size=12)
  189.                                     else:
  190.                                         continue
  191.                             # adaugare link
  192.                             pdf.ln()
  193.                             pdf.ln()
  194.                             pdf.set_font('Kanit', size=12, style="B")
  195.                             pdf.cell(txt="Source:")
  196.                             pdf.set_font('Kanit', size=12)
  197.                             pdf.set_text_color(0, 102, 204) # albastru
  198.                             # pdf.cell(w=40, txt="https://neculaifantanaru.com/{}".format(file_name), link="https://neculaifantanaru.com/{}".format(file_name))
  199.                             pdf.cell(w=40, txt="https://neculaifantanaru.com/en/{}".format(file_name), link="https://neculaifantanaru.com/en/{}".format(file_name))  # ENGLEZA
  200.  
  201.                             den_fisier = file_path.split('.')[0] + '.pdf'
  202.                             pdf.output(den_fisier)
  203.                             # break;
  204.  
  205.                     # la sfârșitul procesării fiecărui fișier HTML:
  206.                     modified_files.append(file_name)
  207.                     file_count += 1
  208.                     print(f"Fișierul {file_count}: {file_name} a fost modificat.")
  209.  
  210.                 except Exception as e:
  211.                     print(f"Eroare la procesarea fișierului {file_name}: {e}")
  212.                     # Poți continua bucla sau utiliza 'break' sau 'continue' în funcție de necesități.
  213.                     continue
  214.  
  215.  
  216.  
  217.     # la sfârșitul funcției, puteți afișa toate fișierele modificate:
  218.     print(f"\nAu fost modificate {file_count} fișiere:")
  219.     for i, file_name in enumerate(modified_files, 1):
  220.         print(f"{i}. {file_name}")
  221.  
  222. # functie care face merge la mai multe fisiere pdf
  223. def merge_pdf_files(directory_path):
  224.     merger = PdfMerger()
  225.     for root, dirs, files in os.walk(directory_path):
  226.         for file_name in files:
  227.             if file_name.endswith(".pdf"):
  228.                 print("PDF: ", file_name)
  229.                 file_path = root + os.sep + file_name
  230.                 merger.append(file_path)
  231.     merger.write(root + os.sep + "articles.pdf")
  232.     merger.close()
  233.  
  234.  
  235.     # adaugare link
  236.     pdf.ln()
  237.     pdf.ln()
  238.     pdf.set_font('Kanit', size=12, style="B")
  239.     pdf.cell(txt="Source:")
  240.     pdf.set_font('Kanit', size=12)
  241.     pdf.set_text_color(0, 102, 204) # albastru
  242.     pdf.cell(w=40, txt="https://neculaifantanaru.com/{}".format(file_name), link="https://neculaifantanaru.com/{}".format(file_name))
  243.  
  244.     den_fisier = file_path.split('.')[0] + '.pdf'
  245.     pdf.output(den_fisier)
  246.     # break;
  247.  
  248.     # la sfârșitul procesării fiecărui fișier HTML:
  249.     modified_files.append(file_name)
  250.     file_count += 1
  251.     print(f"Fișierul {file_count}: {file_name} a fost modificat.")
  252.  
  253.     # la sfârșitul funcției, puteți afișa toate fișierele modificate:
  254.     print(f"\nAu fost modificate {file_count} fișiere:")
  255.     for i, file_name in enumerate(modified_files, 1):
  256.         print(f"{i}. {file_name}")
  257.  
  258. # functie care face merge la mai multe fisiere pdf
  259. def merge_pdf_files(directory_path):
  260.     merger = PdfMerger()
  261.     for root, dirs, files in os.walk(directory_path):
  262.         for file_name in files:
  263.             if file_name.endswith(".pdf"):
  264.                 print("PDF: ", file_name)
  265.                 file_path = root + os.sep + file_name
  266.                 merger.append(file_path)
  267.         merger.write(root + os.sep + "articles.pdf")
  268.         merger.close()
  269.         break;
  270. # apoi apelați funcția:
  271. save_to_pdf("c:\\Folder9\\")
  272. merge_pdf_files("c:\\Folder9\\")
  273.  
Advertisement
Add Comment
Please, Sign In to add comment
Advertisement
Public Pastes
Advertisement
We use cookies for various purposes including analytics. By continuing to use Pastebin, you agree to our use of cookies as described in the Cookies Policy.  OK, I Understand
Not a member of Pastebin yet?
Sign Up, it unlocks many cool features!