从thinkcentral的swf中提取书籍——旁门邪道

操作视频预览如上（不知道能不能看）。
总的来说就是：
python通过selenium库控制Chrome类的浏览器执行打印页面的操作，涉及到的问题如下：

• swf转pdf，很特定的情况下才有方法。
• 单页是swf，新版本Chrome无法在headless情况下打开flash。
• 就算默认打开flash（注册表的方式），然而Chrome会直接下载swf文件，而不是加载。
• 360极速浏览器可以加载swf并打印页面，但没找到用selenium控制它的方法。
• 这网站swf链接规律有坑，需最后还是用接口拼接的链接。

...还有很多要写的，但是今天太晚了...

最后发现360安全浏览器可以满足要求。
最终得到的pdf清晰度很好。
暂时写到这里，有空再补充，毕竟踩了很多坑。
————2019/08/19 15:40————
(手机码字ing，有些没记住)

起因

一个朋友截图谷歌搜索Storytown pdf，说想要这个书的电子版，不过谷歌到的只有一点残缺的pdf，没有完整的，当然亚马逊是有卖的←_←
不过呢，最后还是在(rasd)上面找到了，不过这个网站像是套了一层，实际来源是thinkcentral，不过thinkcentral这个网站得有账号，普通用户注册不了。这不重要，反正目前这个网站能在线看书，准确说是一个互动式的学习，但它是基于swf的。

怎么弄下来呢？

F12一看，分页是单独的swf，那可以把swf下载来了然后反编译提取图片即可！
下载了一个swf，用FFDec反编译，有一个frame就是一个单页：

导出为png，打开一看清晰度还可以(那后面拼图做成pdf就好了，心想……)。
————2019/08/19 16:50————
那快速自动化的流程就是下载swf，反编译，导出图片，按顺序合成……然后我试着用python来做反编译这个事情，幸运的是网络上有一个可参考的例子，通过一个库(pyswf)，能解析swf的结构，解压资源。不过我发现对于我来说有点复杂了，等我把swf解压这步理解清楚就不知道何年何月了。。然后又找到一个工具swftools，不过它是各种转为swf，而不是swf转回。不过呢它在某个情况下可以复原pdf，然而！它是基于python2的(？？？)。遂放弃反编译swf←_←
接着我想找现成工具解压swf内资源，然后我再合成图片，反编译的swf内文字部分其实是可以拿到文本的，不过它是位图，背景是另一个图(其实还是卡在解压资源)，提这个是因为我想在pdf能复制到文本。
我还是图样图森破。
另外在打开单个swf的时候，通过放大可以发现很清晰，所以位图没错了。
接着，就是在放大的时候，右键的打印选项提醒了我，于是打印了单页的swf，发现质量非常好，清晰度也棒！终于到正题了，那我可以打印得到单页pdf，最后合成。
话不多说开始做，通过搜索，可以知道打印这个操作是可以用python通过selenium库办到的(面向google写代码)。
这里引出了几个问题：

• 一是单个swf打开会缺少一些东西，比如播放音频的按钮，部分单词选中颜色效果以及一些动画效果，因为这些是外部嵌套的swf完成的，好在需要的是书，这些部分可有可无(不过呢，音频的位置好像在一个接口里面有，有精力的话倒是可以试试把音频内容也添加到pdf里面，pdf应该是支持音频的)。
• 二是谷歌浏览器对swf不友好，链接以swf结尾会背直接下载文件，而我需要的是网页加载完毕的效果后打印，解决方法是写一个HTML文件，里面引用swf的链接，打开HTML文件后会加载。不过得手动允许flash才能加载，好在网上说能修改注册表让chrome默认允许flash，但我尝试用selenium控制chrome，没有成功，最终放弃。

我打开flash链接看加载效果是用的360极速浏览器，360极速内核还是基于chrome(的开源版本？)然后想应该也能用selenium操作，搜了下貌似真的可以。不过在我N次尝试后，发现并不能，遂改用网络教程中的360安全浏览器，果然成了！关键的打印swf一步解决了。

最开始看了下swf的链接还是有规律组成的，就手动跳到最后几页观察了一下，然后就开始跑代码了，最开始一切正常。
后来出现chapter首字母在第一章后变成大写……
后来出现数字四位补0……
后来出现新章节处有a/b这样的附加字符……
后来发现自己的代码逻辑有问题……
于是乎，改用从接口获取拼接的后部分，这才稳定了下来！

打印的时候有个小插曲，就是selenium控制不能自定义打印保存目录(下载目录可以)，不能自定义打印文件名，只好通过浏览器自动保存的名字匹配，然后重命名，移动到保存目录。。

最终，完成(pdf合并过程略……)。

————2019/08/19 23:10————
部分相关代码：

• 多个pdf合并为一个pdf文件，正则是匹配页数，按页数排序添加，避免顺序错误。另外merger增加的时候，似乎有数量限制，具体多少不知道，大概在300-450之间吧，所以待合并的pdf文件数量太多则需要多次合并。

import os
import re
from PyPDF2 import PdfFileReader, PdfFileMerger
main_text = [f for f in os.listdir() if 'pdf' in f]
fl=sorted(main_text,key=lambda x:int(re.findall(".*?Page(\d+).pdf",x)[0]))
all_files = list()
all_files.extend(fl)
merger = PdfFileMerger()
_ = [merger.append(PdfFileReader(f), 'rb') for f in all_files]
merger.write('output.pdf')

• 从pages.xml接口中提取swf待拼接的第二部分，其中89是swf_l长度除以10向上取整的值，为啥有这个呢，因为用的vscode，当时直接想着把这个写在py文件里面，然后拼链接，然而vscode不能一行直接粘贴太长的内容。然后换行打印一下swf_ten即可。

import re
import requests
u = "https://www-k6.thinkcentral.com/content/hsp/reading/storytown/na/gr6/esen_9780153597787_/assets/xml-bin/chapter{}/pages.xml"
swf_l = []
for c in range(31):
    r = requests.get(u.format(c)).content.decode("latin-1")
    swf_l += re.findall("<url>(.+?\.swf)</url>",r)
swf_ten = []
for i in range(89):
    swf_ten.append(swf_l[i*10:(i+1)*10])

其他细节就不再贴出来了（太渣渣）。
最后来两张成品效果图吧！