最近接了一个爬虫的私活，收益颇丰。自认为对爬虫掌握的还算不错，爬过很多国内外网站，
数据超过百万，应对过封IP、设验证码、假数据、强制登录等反爬虫手段。于是乎，我毫不犹豫的接下了该活。
但是进行了一半，我遇到了困难，写这篇文章希望能够找到感兴趣的朋友一起解决，一起分享劳动成果。如果到期没有解决的话，就当一次经历记录一下也罢。
一个类似百度文库的网站，要求给出url,获得文章，以Word形式保存下来。 保持格式不变 。
我的进展和思路
我以前爬数据都是以文本的形式获得数据，然后清洗，保存数据库。但是这次需要保存到word,这不难，难在要求格式不变。我打算 根据元素的css属性,设置在word里面的格式 。
获取文本和样式
首先我使用我最熟悉的
python
+
selenium
+
chrome
组合，无头模式启动不用打开浏览器比较方便
def open_brower_headless():
chromeOptions = webdriver.ChromeOptions()
chromeOptions.add_argument("headless")
browser = webdriver.Chrome(chrome_options=chromeOptions)
return browser
文章部分是一个iframe框，通过selenium的switch_to_frame()方法切换到iframe元素，然后就是一系列的定位取值操作，很容易的取到了文章的文本。文章都是以许多<p>标签组合在一起的。通过绝对定位控制格式。
（爬虫手法详情https://segmentfault.com/a/11...）
我利用selenium的value_of_css_property()方法可以获得元素的属性(font-family、top、font-size)，这个方法比较强，不仅可以获得行内样式的css,还可以获得外嵌式的css,所以我不用担心它的样式写在css文件里。这样每一行的格式我就得到了。
1. 怎么换行？对比该元素和上一个元素的top属性的值，如果不一样就换行，高度不一样必定不在一行，很合理。
2. 文字大小？元素的font-size的大小换算公式 ($/14 +0.5),差不多匹配docx里面的run.font.size的值
docx写入word
python库里面操作word使用的是docx，docx对word 的读写有一套完整的方法。比如：添加文字，设置字体，颜色，大小，段落，表格，添加图片。
docx的使用也非常简单，主要分为三级：file >paragraph >run，下面简单介绍一下：
file = docx.Document() #新建文件
f = file.add_paragraph("添加段落") #添加段落
run = f.add_run("追加文字") #追加文字
run.font.color.rgb = RGBColor(0,0,1) #设置字体颜色
run.font.size = Pt(36) #设置字体大小
run.font.name = "宋体" #设置字体
run._element.rPr.rFonts.set(qn('w:eastAsia'), '宋体')
run.add_break() #换行
file.save("d.docx") #保存文件
如此我完成了一个简单word的爬取和保存。
但是我遇到了更复杂的格式，就是表格。F12后发现表格的边框就是一个图片! 至此我不知道怎么进行下去了。开始我以为识别图片后我可以利用doxc 插入表格，根据文字的位置，插入在对应的表格里，但是我发现有的文章还有其他图片。所以我不能遇到图片就将下面的文字按照表格里面的文字处理。
发现这条路似乎走不通后，我试了其他办法，就是pandoc,这是一个文档转化工具，windows下安装后通过输入命令来转化文档。比如将a.html转化为b.docx