PyPDF2.utils.PdfReadError: Unexpected destination '/__WKANCHOR_2'

在学习这篇文章之前，对于一点都不懂python的朋友，可以去看下我之前写过的博客文章，也都是学习过程中的一些收获，感兴趣的可以去看看http://www.flybi.net/blog/seng。

之所以写这篇文章，是因为在学习《Python网络数据采集》的时候，书中提到了访问pdf的方法，于是我就想是否能将天善博客内容转成PDF文档，这个功能会很有用，以后可以方便查找。

思路：使用命令行工具wkhtmltopdf，可以将html 转成 PDF，Python有个包python-pdfkit，方便了wkhtmltopdf和Python的结合。不过目前wkhtmltopdf读取的页面数有限制，文档很多的话会生成多个PDF，这样就需要合并，试过很多种合并方法，最终使用ghostscript解决的。

接下来具体介绍一下做法。

1wkhtmltopdf功能简介

下载页面：http://wkhtmltopdf.org/downloads.html

 使用0.12.3 Linux版下载后直接解压即可。

 tar -xvf wkhtmltox-0.13.0-alpha-7b36694_linux-centos6-amd64.rpm.part
  sudo ln -s ./wkhtmltox/bin/wkhtmltopdf /usr/bin/wkhtmltopdf

使用示例如下：

wkhtmltopdf  'http://www.flybi.net/blog/seng/3645' 'http://www.flybi.net/blog/seng/3599'  sengblog.pdf

注意：天善使用的javascript,好像对这个有影响，只能生成一个页面，要等javascript运行完，加参数即可--javascript-delay 2000，或者屏蔽掉也可以--disable-javascript

wkhtmltopdf  --javascript-delay 2000 'http://www.flybi.net/blog/seng/3645' 'http://www.flybi.net/blog/seng/3599'  sengblog.pdf

如果出问题，可以看一下大纲的信息：

wkhtmltopdf  --dump-outline out.xsl  toc 'http://www.flybi.net/blog/seng/3645' 'http://www.flybi.net/blog/seng/3599'  sengblog.pdf

2pdfkit调用的接口

参考网站：https://pypi.python.org/pypi/pdfkit

Install python-pdfkit:
 $ pip install pdfkit
 简单的示例：
 import pdfkit
 pdfkit.from_url([ 'http://www.flybi.net/blog/seng/3645','http://www.flybi.net/blog/seng/3599'], 'sengblog.pdf')  

3生成blog的PDF文件

以我的博客为例

我的首页：

http://www.flybi.net/people/seng

我的博客就5页，获取这些链接就可以了

http://www.flybi.net/blog/id-seng__page-1

核心逻辑如下：

(1)获取所有blog具体页面的URL；

(2)排序：暂时偷个懒，先按默认字符排序了；

(3)生成pdf文档，注意目前测试只能包含有限的页面，目前使用20个，按类似以下格式sengblog20160419_1_20生成；

(4)合并pdf文档。

目前没有现成代码，一开始使用http://www.pdfmerge.com/手工做的，后找到更好的办法，下面详细介绍如何合并。

4合并PDF文档

因为wkhtmltopdf有限制，文档多了，需要生成多个pdf文件，原来使用http://www.pdfmerge.com/在线服务合并文档，感觉不完美，合并更多文件就比较麻烦了，找了一些工具最终解决了，测试了PyPDF2、pdftk、ghostscript，都能合并，不过PyPDF2、pdftk对wkhtmltopdf生成的文档的outline合并有问题，特别是PyPDF2需要修改代码，才能完成合并。所以最后选用了ghostscript来完成合并。

相关工具版本要求：

ghostscript:9.19

wkhtmltopdf:0.12.3 (with patched qt)

ghostscript的安装使用：

下载：

http://ghostscript.com/download/gsdnld.html

帮助文档：

http://www.ghostscript.com/doc/9.19/Use.htm

命令示例：

gs-919-linux_x86_64 -dBATCH -dNOPAUSE -q -sDEVICE=pdfwrite -sOutputFile=./output/all_coffee.pdf coffee1_20.pdf coffee21_40.pdf
linux_x86_64 -dBATCH -dNOPAUSE -q -sDEVICE=pdfwrite -sOutputFile=all_seng.pdf seng*.pdf

PyPDF2的安装使用：

PyPDF2版本：1.25.1

https://pypi.python.org/pypi/PyPDF2/1.25.1

或

https://github.com/mstamy2/PyPDF2

安装：

pip install PyPDF2

使用示例：

from PyPDF2 import PdfFileMerger
merger = PdfFileMerger()
input1 = open("hql_1_20.pdf", "rb")
input2 = open("hql_21_40.pdf", "rb")
merger.append(input1)
merger.append(input2)
# Write to an output PDF document
output = open("hql_all.pdf", "wb")
merger.write(output)

--------------------

注意合并wkhtmltopdf系统会出错：

PdfReadError: Unexpected destination '/__WKANCHOR_2'

#fix PyPDF2 merge outline出问题的解决

#参考https://github.com/mstamy2/PyPDF2/issues/193

I had the same problem. For a quick and dirty fix I commented out the lines 1225 and 1226 in the file pdf.py of the package PyPDF2 which raise the exception:

    # if destination found, then create outline    if dest:        if isinstance(dest, ArrayObject):            outline = self._buildDestination(title, dest)        elif isinstance(dest, Str) and dest in self._namedDests:            outline = self._namedDests[dest]            outline[NameObject("/Title")] = title        # else:        #     raise utils.PdfReadError("Unexpected destination %r" % dest)    return outline

pdf.py 1225-1226按如下屏蔽即可
# if destination found, then create outline
if dest:
    if isinstance(dest, ArrayObject):
        outline = self._buildDestination(title, dest)
    elif isinstance(dest, Str) and dest in self._namedDests:
        outline = self._namedDests[dest]
        outline[NameObject("/Title")] = title
    #### else:
    ####     raise utils.PdfReadError("Unexpected destination %r" % dest)
return outline

pdftk的安装使用：

安装：

sudo yum install libgcj
sudo rpm -i pdftk-2.02-1.*.rpm

使用：

pdftk a1*.pdf cat output combined.pdf  

outline的手工修复：

pdftk支持outline的编辑，可以参考这个，

http://stackoverflow.com/questions/296****79/merge-pdfs-with-pdftk-with-bookmarks

pdftk hql_1_20.pdf dump_data > in1.info

#手工修改in1.info文件

pdftk hql_1_20.pdf update_info in1.info output out.pdf.

当然程序还有些欠缺：

1.uft8的文件名在linux能使用，到windows下就软乱码了。

2.wkhtmltopdf读取html遇到503错误，需要再次检查和重新读取。