网页转PDF
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @user_712343a5/web-to-pdf-v2。
技能介绍
拿到一篇深度长文想离线存成 PDF,和想把一份公告按原版式存档,其实是两种完全不同的需求,网页自带的“另存为 PDF”分不清你要哪一种。web-to-pdf 把这件事拆成三种工作模式,执行前必须先让用户选择,不替你默认。
先确认模式,再动手
收到任何“转 PDF / 导出 / 保存”请求后,必须用固定话术让用户在三种模式里选,或者识别用户消息(如“只要正文”“整页原样”“教材逐页抓”),再复述确认一次:
- 完整网页原样导出——忠实渲染整张页面的所有内容,不做删减、过滤或重新排版;
- 纯净文章提取导出——只保留正文,重新排版成干净的 A4;
- 图片电子书抓取——针对教材、漫画、绘本这类连续分页图片。
三种模式在做什么
模式一、整页原样打印。 用 headless Edge 的 page.pdf() 渲染整页,print_background=True 保留背景色和背景图。导航栏、广告、侧边栏、弹窗一律原样输出,相当于自动化的“Ctrl+P → 另存为 PDF”。
模式二、正文提取。 这是工程量最大的一环,噪声剔除分多轮:
- 容器定位:先按常见 CMS 选择器找正文块,兜底取全文最长文本块的最小公共祖先;
- 站点级剔除:导航、页头页脚、侧栏、广告横幅、客服弹窗、App 下载区、版权备案、二维码,甚至正文容器右列里的热门排行(如人民网的两列布局)都会被剪掉;
- 推荐区全文预览:命中“猜您喜欢 / 延伸阅读 / 热门推荐”等标题后,删除其后所有兄弟节点——有些站点把推荐文章全文放在独立容器里,只删列表 class 根本剪不干净;
- 阅读工具条只删按钮块本身,绝不误伤同容器的日期、来源等元信息;
- 脚本与样式(
SCRIPT/STYLE/NOSCRIPT)一律跳过,JS 代码文本不是正文。
内容保留方面:正文内的配图用三重兜底嵌入(元素截图 → canvas 渲染 → urllib 直取原图,带 UA 和 Referer 模拟浏览器,专治跨域图和透明占位图),并按 src 去重以应对 PC/移动双套布局;数据表整表截图保留行列结构,而政府站点那种承载整篇正文的布局表会被识别后改走文本提取,避免 PDF 变成一张超高图;列表保留项目符号和层级缩进。正文存放在 textarea.value 里的站点(如古诗文网)会显式提取 value。最后重新排版:标题居中加粗、正文两端对齐加首行缩进、行距 1.8。
模式三、图片阅读器抓取。 自动完成页面验证,从 DOM 推断图片分页规律(前缀 + 序号 + 后缀,支持前导零和变宽编号),用 requests 会话逐页下载,直到 404 标记末页,最后本机用 Pillow 合成 PDF。全程本机处理,不上传云端。
适用边界
只支持公开互联网网页(https://),内网和本地地址(127.0.0.1、192.168.x.x、file://)被内置安全策略拦截。运行环境为 Windows + 系统 Microsoft Edge(channel="msedge"),依赖隔离 venv 中的 Playwright、Pillow、requests,模式二另需 reportlab。
被 WAF 拦截的页面(HTTP 403、滑块验证星图书教材类)需用户提供带 u_atoken/u_asession 的分享链接,且这类 token 有时效;模拟滑块策略默认关闭,需显式设置 WEB2PDF_SLIDER=1 才会尝试。多本书记跨书复用上下文,否则会触发 403——批量场景请用独立上下文逐个处理。
使用场景
- 记者把新华网一篇报道里的正文、配图和表格提取出来,剪掉推荐栏和客户端下载区,存成干净 PDF。
- 整理政务资料的人把中国政府网一篇政策原文脱壳重排,保留段落和表格后离线存放。
- 教师把绘本或教材在线阅读器的连续分页图片逐页抓下,本机合成 PDF 供离线阅读。
- 值班编辑把一篇完整活动页原封不动存档,导航、广告和背景样式全部保留。
适合人员
- 经常要把网页文章剪去广告后离线存成 PDF 的资讯编辑
- 负责政策公文归档、需要按原版式打印存档的政务资料员
- 需要把教材或绘本在线阅读器分页抓取成 PDF 的教师
- 要在 Windows 环境跑 Playwright 脚本做网页打印自动化的开发者