API tools faq
paste
Nick_34

convert html files to one PDF (merge files)

Nick_34
Aug 27th, 2022 (edited)
562
0
Never
Add comment
Not a member of Pastebin yet? Sign Up, it unlocks many cool features!
Python 8.87 KB | None | 0 0
raw download clone embed print report
  1. ----------------------
  2. EXPLANATION:
  3.  
  4. ROMANIAN: https://neculaifantanaru.com/python-convert-multiple-html-pages-into-one-pdf-file-cu-libraria-fpdf-si-fpdf2.html
  5. or
  6. ENGLISH: https://neculaifantanaru.com/python-convert-multiple-html-pages-into-one-pdf-file-with-libraria-fpdf-and-fpdf2.html
  7. ----------------------
  8.  
  9.  
  10. from fpdf import fpdf, html
  11. import os
  12. import re
  13.  
  14. from PyPDF2 import PdfFileMerger
  15.  
  16. def read_text_from_file(file_path):
  17.     """
  18.    Aceasta functie returneaza continutul unui fisier.
  19.    file_path: calea catre fisierul din care vrei sa citesti
  20.    """
  21.     with open(file_path, encoding='utf8', errors='ignore') as f:
  22.         text = f.read()
  23.         f.close()
  24.         return text
  25.     file_content = re.sub('<span class="text_obisnuit2">(.*)</span>', '<b>\g<1></b>', file_content)
  26.  
  27. def write_to_file(text, file_path):
  28.     """
  29.    Aceasta functie scrie un text intr-un fisier.
  30.    text: textul pe care vrei sa il scrii
  31.    file_path: calea catre fisierul in care vrei sa scrii
  32.    """
  33.     with open(file_path, 'wb') as f:
  34.         f.write(text.encode('utf8', 'ignore'))
  35.         f.close()
  36.  
  37. dict_simboluri = dict()
  38. dict_simboluri['&#259;'] = 'ă'
  39. dict_simboluri['&#226;'] = 'â'
  40. dict_simboluri['&atilde;'] = 'ã'
  41. dict_simboluri['&acirc;'] = 'â'
  42. dict_simboluri['&#x103;'] = 'ă'
  43. dict_simboluri['&#xE2;'] = 'a'
  44.  
  45. dict_simboluri['  '] = ' '
  46.  
  47. dict_simboluri['&icirc;'] = 'î'
  48. dict_simboluri['&#206;'] = 'Î'
  49. dict_simboluri['&#238;'] = 'î'
  50. dict_simboluri['&#xEE;'] = 'î'
  51. dict_simboluri['&#xCE;'] = 'Î'
  52. dict_simboluri['&#206;'] = 'Î'
  53. dict_simboluri['&#xEE;'] = 'î'
  54. dict_simboluri['&#xCE;'] = 'i'
  55. dict_simboluri['&Icirc;'] = 'Î'
  56.  
  57. dict_simboluri['&nbsp;'] = ' '
  58.  
  59. dict_simboluri['&#537;'] = 'ș'
  60. dict_simboluri['&#536;'] = 'Ș'
  61. dict_simboluri['&#350;'] = 'Ş'
  62. dict_simboluri['&#x219;'] = 'ș'
  63. dict_simboluri['&#351;'] = 'ș'
  64.  
  65. dict_simboluri['&amp;'] = ''
  66.  
  67. dict_simboluri['&#539;'] = 'ț'
  68. dict_simboluri['&#355;'] = 'ț'
  69. dict_simboluri['&#354;'] = 'Ţ'
  70. dict_simboluri['&#x21B;'] = 'ț'
  71.  
  72.  
  73.  
  74. def save_to_pdf(directory_path):
  75.     for root, dirs, files in os.walk(directory_path):
  76.         for file_name in files:
  77.             if file_name.endswith(".html"):
  78.                 file_path = root + os.sep + file_name
  79.                 file_content = read_text_from_file(file_path)
  80.  
  81.                 # creare fisier PDF
  82.                 class PDF(fpdf.FPDF, html.HTMLMixin):
  83.                     pass
  84.  
  85.                 pdf = PDF()
  86.                 pdf.add_page()
  87.                 pdf.add_font("Kanit", fname="fonts/Kanit-Regular.ttf")
  88.                 pdf.add_font("Kanit", style="B", fname="fonts/Kanit-Bold.ttf")
  89.                 pdf.add_font("Kanit", style="I", fname="fonts/Kanit-Italic.ttf")
  90.                 pdf.add_font("Kanit", style="BI", fname="fonts/Kanit-BoldItalic.ttf")
  91.                 pdf.set_font("Kanit", size=24)
  92.  
  93.                 # extras denumire articol
  94.                 den_articol = re.search('<td><h1 class="den_articol" itemprop="name">(.*?)</h1></td>', file_content)
  95.                 if (den_articol == None):
  96.                     print("Nu am gasit --- denumire articol --- in fisierul --- {} ---.".format(file_path))
  97.                 else:
  98.                     den_articol = den_articol.group(1)
  99.                     for simbol in dict_simboluri.keys():
  100.                         den_articol = den_articol.replace(simbol, dict_simboluri[simbol])
  101.  
  102.                 pdf.set_text_color(204, 0, 0) # rosu
  103.                 pdf.set_font('Kanit', size=14, style="B")
  104.                 pdf.multi_cell(w=190, txt=den_articol)
  105.                 pdf.ln()
  106.                 pdf.set_font('Kanit', size=12)
  107.  
  108.                 # extras data
  109.                 date = re.search('<td class="text_dreapta">(.*?), in <a', file_content)
  110.                 if (date == None):
  111.                     print("Nu am gasit --- date --- in fisierul --- {} ---.".format(file_path))
  112.                 else:
  113.                     date = date.group(1)
  114.  
  115.                 pdf.set_text_color(0, 102, 204) # albastru
  116.                 pdf.set_font('Kanit', size=8, style="B")
  117.                 pdf.cell(txt=date)
  118.                 pdf.ln()
  119.                 pdf.ln()
  120.                 pdf.ln()
  121.                 pdf.ln()
  122.                 pdf.set_text_color(0, 0, 0) # negru (default)
  123.                 pdf.set_font('Kanit', size=12)
  124.  
  125.  
  126.                 # extras text
  127.                 articol = re.search('<!-- ARTICOL START -->([\s\S]*?)<!-- ARTICOL FINAL -->', file_content)
  128.                 if (articol == None):
  129.                     print("Nu am gasit --- ARTICOL START/FINAL --- in fisierul --- {} ---.".format(file_path))
  130.                 else:
  131.                     articol = articol.group(1)
  132.                     articol = articol.replace("&quot;", "\"")
  133.                     articol = articol.replace("&rsquo;", "'")
  134.  
  135.                     # paragraphs
  136.                     par_regex = re.compile('<p class="text_obisnuit.*?">.*?</p>')
  137.                     pars = re.findall(par_regex, articol)
  138.                     pars_text = list()
  139.  
  140.                     if (len(pars) == 0):
  141.                         print("Nu am gasit -- paragrafe text_obisnuit -- in fisierul --- {} ---.".format(file_path))
  142.                     else:
  143.                         for i in range(0, len(pars)):
  144.                             if ('<p class="text_obisnuit">' in pars[i]):
  145.  
  146.                                 # identificam clasa text_obisnuit si preluam textul
  147.                                 content = re.findall('<p class="text_obisnuit">(.*?)</p>', pars[i])
  148.                                 if (len(content) == 0):
  149.                                     print("Nu am gasit text in paragraful {}, fisierul {}.".format(pars[i], file_path))
  150.                                 else:
  151.  
  152.                                     # punem textul intr-o celula multi_cell
  153.                                     for simbol in dict_simboluri.keys():
  154.                                         content[0] = content[0].replace(simbol, dict_simboluri[simbol])
  155.                                     pars_text.append(content[0])
  156.                                     # pdf.multi_cell(w=190, txt = content[0])
  157.                                     pdf.write_html(text=f'<p class="text_obisnuit">{content[0]}</p>')
  158.  
  159.                                     # adaugam linie goala intre paragrafe
  160.                                     pdf.ln();
  161.                             elif ('<p class="text_obisnuit2">' in pars[i]):
  162.  
  163.                                 # identificam clasa text_obisnuit2 si preluam textul
  164.                                 content = re.findall('<p class="text_obisnuit2">(.*?)</p>', pars[i])
  165.                                 if (len(content) == 0):
  166.                                     print("Nu am gasit text in paragraful {}, fisierul {}.".format(pars[i], file_path))
  167.                                 else:
  168.  
  169.                                     # setam fontul cu bold
  170.                                     pdf.set_font('Kanit', size=12, style="B")
  171.  
  172.  
  173.                                     # punem textul intr-o celula multi_cell
  174.                                     for simbol in dict_simboluri.keys():
  175.                                         content[0] = content[0].replace(simbol, dict_simboluri[simbol])
  176.                                     pars_text.append(content[0])
  177.                                     # pdf.multi_cell(w=190, txt = content[0])
  178.                                     pdf.write_html(text=f'<p class="text_obisnuit2"><b>{content[0]}</b></p>')
  179.  
  180.                                     # adaugam linie goala intre paragrafe
  181.                                     pdf.ln();
  182.  
  183.                                     # resetam fontul
  184.                                     pdf.set_font('Kanit', size=12)
  185.                             else:
  186.                                 continue
  187.  
  188.                     # adaugare link
  189.                     pdf.ln()
  190.                     pdf.ln()
  191.                     pdf.set_font('Kanit', size=12, style="B")
  192.                     pdf.cell(txt="Source:")
  193.                     pdf.set_font('Kanit', size=12)
  194.                     pdf.set_text_color(0, 102, 204) # albastru
  195.                     pdf.cell(w=40, txt="https://neculaifantanaru.com/{}".format(file_name), link="https://neculaifantanaru.com/{}".format(file_name))
  196.  
  197.                     den_fisier = file_path.split('.')[0] + '.pdf'
  198.                     pdf.output(den_fisier)
  199.                     # break;
  200.  
  201. # functie care face merge la mai multe fisiere pdf
  202. def merge_pdf_files(directory_path):
  203.     merger = PdfFileMerger()
  204.     for root, dirs, files in os.walk(directory_path):
  205.         for file_name in files:
  206.             if file_name.endswith(".pdf"):
  207.                 print("PDF: ", file_name)
  208.                 file_path = root + os.sep + file_name
  209.                 merger.append(file_path)
  210.         merger.write(root + os.sep + "articles.pdf")
  211.         merger.close()
  212.         break;
  213.  
  214. save_to_pdf("c:\\Folder5\\")
  215. merge_pdf_files("c:\\Folder5\\")
Advertisement
Add Comment
Please, Sign In to add comment
Public Pastes
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!