PDF Downloader / PDF-nedladdare

English/Swedish

Overview

This project is a Python-based PDF downloader and scraper built with Playwright.

It opens a website, collects relevant internal pages, extracts the main content, builds a cleaner printable HTML version, and exports each page as a PDF.

The goal is to create readable PDFs that are easier to save, review, and copy text from than a raw browser print.

Features

• Opens pages with Playwright
• Collects internal links
• Visits each page automatically
• Extracts the main content area
• Cleans up exported content for better readability
• Exports one PDF per page
• Creates logs during execution
• Handles errors per page so the full run does not stop immediately

Project structure

PdfDownloader/
├── src/
│   ├── __init__.py
│   ├── config.py
│   ├── logger_setup.py
│   ├── main.py
│   ├── models.py
│   ├── pdf_exporter.py
│   ├── scraper.py
│   └── utils.py
├── output/
├── logs/
├── requirements.txt
├── .gitignore
└── README.md

Requirements

Before running the project, install:

• Python 3.11 or later
• Visual Studio Code
• VS Code Python extension
• Playwright for Python

Recommended:

• Pylance extension in VS Code

Getting started in VS Code

1. Open the project

Open the project folder in Visual Studio Code.

2. Create a virtual environment

Open the terminal in VS Code and run:

python -m venv .venv

On Windows PowerShell, activate it with:

.venv\Scripts\Activate.ps1

If PowerShell blocks activation, run:

Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass
.venv\Scripts\Activate.ps1

If you use Command Prompt instead:

.venv\Scripts\activate

3. Install dependencies

Run:

pip install -r requirements.txt

Then install Playwright browsers:

playwright install

How to run the project

From the project root, run:

python src/main.py

If your system uses py instead of python, run:

py src/main.py

Output

Generated PDF files are saved in:

output/

Logs are saved in:

logs/run.log

Configuration

Main settings are stored in:

src/config.py

This is where you typically adjust things such as:

• base URL
• selectors
• timeouts
• PDF settings
• content extraction behavior

Notes

This project is designed as a reusable PDF scraping/export tool.

It can be adapted for other websites, but some pages may require updates to:

• selectors
• link filtering
• content extraction rules
• login handling
• waiting logic

Troubleshooting

Python is not recognized

Make sure Python is installed and available in PATH.

Check with:

python --version

or:

py --version

Playwright does not start

Make sure you have installed dependencies and browsers:

pip install -r requirements.txt
playwright install

PowerShell blocks activation

Run:

Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass

Then activate the environment again.

---

Svenska

Översikt

Detta projekt är en PDF-nedladdare och scraper byggd i Python med Playwright.

Programmet öppnar en webbplats, samlar relevanta interna sidor, extraherar huvudinnehållet, bygger en renare utskriftsvänlig HTML-version och exporterar varje sida som PDF.

Målet är att skapa lättlästa PDF-filer som är enklare att spara, läsa och kopiera text från än en vanlig browser-utskrift.

Funktioner

• Öppnar sidor med Playwright
• Samlar interna länkar
• Besöker varje sida automatiskt
• Extraherar sidans huvudinnehåll
• Städar upp innehållet för bättre läsbarhet
• Exporterar en PDF per sida
• Skapar loggar under körning
• Hanterar fel per sida så att hela körningen inte avbryts direkt

Projektstruktur

PdfDownloader/
├── src/
│   ├── __init__.py
│   ├── config.py
│   ├── logger_setup.py
│   ├── main.py
│   ├── models.py
│   ├── pdf_exporter.py
│   ├── scraper.py
│   └── utils.py
├── output/
├── logs/
├── requirements.txt
├── .gitignore
└── README.md

Krav

Innan projektet körs behöver följande vara installerat:

• Python 3.11 eller senare
• Visual Studio Code
• Python-tillägget i VS Code
• Playwright för Python

Rekommenderas även:

• Pylance i VS Code

Kom igång i VS Code

1. Öppna projektet

Öppna projektmappen i Visual Studio Code.

2. Skapa en virtuell miljö

Öppna terminalen i VS Code och kör:

python -m venv .venv

I Windows PowerShell aktiverar du den med:

.venv\Scripts\Activate.ps1

Om PowerShell blockerar aktiveringen, kör:

Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass
.venv\Scripts\Activate.ps1

Om du använder Command Prompt i stället:

.venv\Scripts\activate

3. Installera beroenden

Kör:

pip install -r requirements.txt

Installera sedan Playwrights browsers:

playwright install

Så kör du projektet

Från projektroten, kör:

python src/main.py

Om din dator använder py i stället för python, kör:

py src/main.py

Output

Skapade PDF-filer sparas i:

output/

Loggar sparas i:

logs/run.log

Konfiguration

De viktigaste inställningarna finns i:

src/config.py

Där justerar man normalt sådant som:

• start-URL
• selectors
• timeouts
• PDF-inställningar
• regler för innehållsextrahering

Kommentar

Projektet är byggt som ett återanvändbart verktyg för PDF-export och scraping.

Det går att anpassa till andra webbplatser, men vissa sidor kan kräva ändringar i:

• selectors
• filtrering av länkar
• regler för innehållsextrahering
• inloggningsflöde
• väntelogik

Felsökning

Python känns inte igen

Kontrollera att Python är installerat och finns i PATH.

Testa med:

python --version

eller:

py --version

Playwright startar inte

Kontrollera att du har installerat både beroenden och browsers:

pip install -r requirements.txt
playwright install

PowerShell blockerar aktivering

Kör:

Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass

och försök sedan aktivera miljön igen.