python怎么抓取微信阅
抓取微信公众号的文章
一.思路分析
目前所知晓的能够抓取的方法有:
1、微信APP中微信公众号文章链接的直接抓取(http://mp.weixin.qq.com/s?__biz=MjM5MzU4ODk2MA==&mid=2735446906&idx=1&sn=ece37deaba0c8ebb9badf07e5a5a3bd3&scene=0#rd)
2、通过微信合作方搜狗搜索引擎(http://weixin.sogou.com/),发送相应请求来间接抓取
第1种方法中,这种链接不太好获取,而且他的规律不是特别清晰。
因此本文采用的是方法2----通过给 weixin.sogou.com 发送即时请求来实时解析抓取数据并保存到本地。
二.爬取过程
1、首先在搜狗的微信搜索页面测试一下,这样能够让我们的思路更加清晰
在搜索引擎上使用微信公众号英文名进行“搜公众号”操作(因为公众号英文名是公众号唯一的,而中文名可能会有重复,同时公众号名字一定要完全正确,不然可能搜到很多东西,这样我们可以减少数据的筛选工作,只要找到这个唯一英文名对应的那条数据即可),即发送请求到'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&_sug_=n&_sug_type_= ' % ?'python',并从页面中解析出搜索结果公众号对应的主页跳转链接。
2.获取主页入口内容
使用request , urllib,urllib2,或者直接使用webdriver+phantomjs等都可以
这里使用的是request.get()的方法获取入口网页内容
[python]?view plain?copy
#?爬虫伪装头部设置??
self.headers?=?{'User-Agent':?'Mozilla/5.0?(Windows?NT?6.3;?WOW64;?rv:51.0)?Gecko/20100101?Firefox/51.0'}??
#?设置操作超时时长??
self.timeout?=?5??
#?爬虫模拟在一个request.session中完成??
self.s?=?requests.Session()??
#搜索入口地址,以公众为关键字搜索该公众号?????
def?get_search_result_by_keywords(self):??
self.log('搜索地址为:%s'?%?self.sogou_search_url)??
return?self.s.get(self.sogou_search_url,?headers=self.headers,?timeout=self.timeout).content??
#获得公众号主页地址??
def?get_wx_url_by_sougou_search_html(self,?sougou_search_html):??
doc?=?pq(sougou_search_html)??
#print?doc('p[class="tit"]')('a').attr('href')??
#print?doc('div[class=img-box]')('a').attr('href')??
#通过pyquery的方式处理网页内容,类似用beautifulsoup,但是pyquery和jQuery的方法类似,找到公众号主页地址??
return?doc('div[class=txt-box]')('p[class=tit]')('a').attr('href')??
#使用webdriver?加载公众号主页内容,主要是js渲染的部分??
def?get_selenium_js_html(self,?url):??
browser?=?webdriver.PhantomJS()???
browser.get(url)???
time.sleep(3)???
#?执行js得到整个页面内容??
html?=?browser.execute_script("return?document.documentElement.outerHTML")??
return?html??
#获取公众号文章内容??
def?parse_wx_articles_by_html(self,?selenium_html):??
doc?=?pq(selenium_html)??
print?'开始查找内容msg'??
return?doc('div[class="weui_media_box?appmsg"]')??
#有的公众号仅仅有10篇文章,有的可能多一点??
#return?doc('div[class="weui_msg_card"]')#公众号只有10篇文章文章的??
#!/usr/bin/python??
#?coding:?utf-8??
import?sys??
reload(sys)??
sys.setdefaultencoding('utf-8')??
from?urllib?import?quote??
from?pyquery?import?PyQuery?as?pq??
from?selenium?import?webdriver??
import?requests??
import?time??
import?re??
import?json??
import?os??
class?weixin_spider:??
def?__init__(self,?kw):??
'?构造函数?'??
self.kw?=?kw??
#?搜狐微信搜索链接??
#self.sogou_search_url?=?'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&_sug_=n&_sug_type_='?%?quote(self.kw)??
self.sogou_search_url?=?'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&s_from=input&_sug_=n&_sug_type_='?%?quote(self.kw)??
#?爬虫伪装??
self.headers?=?{'User-Agent':?'Mozilla/5.0?(Windows?NT?10.0;?WOW64;?rv:47.0)?Gecko/20100101?FirePHP/0refox/47.0?FirePHP/0.7.4.1'}??
#?操作超时时长??
self.timeout?=?5??
self.s?=?requests.Session()??
def?get_search_result_by_kw(self):??
self.log('搜索地址为:%s'?%?self.sogou_search_url)??
return?self.s.get(self.sogou_search_url,?headers=self.headers,?timeout=self.timeout).content??
def?get_wx_url_by_sougou_search_html(self,?sougou_search_html):??
'?根据返回sougou_search_html,从中获取公众号主页链接?'??
doc?=?pq(sougou_search_html)??
#print?doc('p[class="tit"]')('a').attr('href')??
#print?doc('div[class=img-box]')('a').attr('href')??
#通过pyquery的方式处理网页内容,类似用beautifulsoup,但是pyquery和jQuery的方法类似,找到公众号主页地址??
return?doc('div[class=txt-box]')('p[class=tit]')('a').attr('href')??
def?get_selenium_js_html(self,?wx_url):??
'?执行js渲染内容,并返回渲染后的html内容?'??
browser?=?webdriver.PhantomJS()???
browser.get(wx_url)???
time.sleep(3)???
#?执行js得到整个dom???
html?=?browser.execute_script("return?document.documentElement.outerHTML")??
return?html??
def?parse_wx_articles_by_html(self,?selenium_html):??
'?从selenium_html中解析出微信公众号文章?'??
doc?=?pq(selenium_html)??
return?doc('div[class="weui_msg_card"]')??
def?switch_arctiles_to_list(self,?articles):??
'?把articles转换成数据字典?'??
articles_list?=?[]??
i?=?1??
if?articles:??
for?article?in?articles.items():??
self.log(u'开始整合(%d/%d)'?%?(i,?len(articles)))??
articles_list.append(self.parse_one_article(article))??
i?+=?1??
#?break??
return?articles_list??
def?parse_one_article(self,?article):??
'?解析单篇文章?'??
article_dict?=?{}??
article?=?article('.weui_media_box[id]')??
title?=?article('h4[class="weui_media_title"]').text()??
self.log('标题是:?%s'?%?title)??
url?=?'http://mp.weixin.qq.com'?+?article('h4[class="weui_media_title"]').attr('hrefs')??
self.log('地址为:?%s'?%?url)??
summary?=?article('.weui_media_desc').text()??
self.log('文章简述:?%s'?%?summary)??
date?=?article('.weui_media_extra_info').text()??
self.log('发表时间为:?%s'?%?date)??
pic?=?self.parse_cover_pic(article)??
content?=?self.parse_content_by_url(url).html()??
contentfiletitle=self.kw+'/'+title+'_'+date+'.html'??
self.save_content_file(contentfiletitle,content)??
return?{??
'title':?title,??
'url':?url,??
'summary':?summary,??
'date':?date,??
'pic':?pic,??
'content':?content??
}??
def?parse_cover_pic(self,?article):??
'?解析文章封面图片?'??
pic?=?article('.weui_media_hd').attr('style')??
p?=?re.compile(r'background-image:url(.??)')??
rs?=?p.findall(pic)??
self.log(?'封面图片是:%s?'?%?rs[0]?if?len(rs)?>?0?else?'')??
return?rs[0]?if?len(rs)?>?0?else?''??
def?parse_content_by_url(self,?url):??
'?获取文章详情内容?'??
page_html?=?self.get_selenium_js_html(url)??
return?pq(page_html)('#js_content')??
def?save_content_file(self,title,content):??
'?页面内容写入文件?'??
with?open(title,?'w')?as?f:??
f.write(content)??
def?save_file(self,?content):??
'?数据写入文件?'??
with?open(self.kw+'/'+self.kw+'.txt',?'w')?as?f:??
f.write(content)??
def?log(self,?msg):??
'?自定义log函数?'??
print?u'%s:?%s'?%?(time.strftime('%Y-%m-%d?%H:%M:%S'),?msg)??
def?need_verify(self,?selenium_html):??
'?有时候对方会封锁ip,这里做一下判断,检测html中是否包含id=verify_change的标签,有的话,代表被重定向了,提醒过一阵子重试?'??
return?pq(selenium_html)('#verify_change').text()?!=?''??
def?create_dir(self):??
'创建文件夹'??
if?not?os.path.exists(self.kw):????
os.makedirs(self.kw)???
def?run(self):??
'?爬虫入口函数?'??
#Step?0?:??创建公众号命名的文件夹??
self.create_dir()??
#?Step?1:GET请求到搜狗微信引擎,以微信公众号英文名称作为查询关键字??
self.log(u'开始获取,微信公众号英文名为:%s'?%?self.kw)??
self.log(u'开始调用sougou搜索引擎')??
sougou_search_html?=?self.get_search_result_by_kw()??
#?Step?2:从搜索结果页中解析出公众号主页链接??
self.log(u'获取sougou_search_html成功,开始抓取公众号对应的主页wx_url')??
wx_url?=?self.get_wx_url_by_sougou_search_html(sougou_search_html)??
self.log(u'获取wx_url成功,%s'?%?wx_url)??
#?Step?3:Selenium+PhantomJs获取js异步加载渲染后的html??
self.log(u'开始调用selenium渲染html')??
selenium_html?=?self.get_selenium_js_html(wx_url)??
#?Step?4:?检测目标网站是否进行了封锁??
if?self.need_verify(selenium_html):??
self.log(u'爬虫被目标网站封锁,请稍后再试')??
else:??
#?Step?5:?使用PyQuery,从Step?3获取的html中解析出公众号文章列表的数据??
self.log(u'调用selenium渲染html完成,开始解析公众号文章')??
articles?=?self.parse_wx_articles_by_html(selenium_html)??
self.log(u'抓取到微信文章%d篇'?%?len(articles))??
#?Step?6:?把微信文章数据封装成字典的list??
self.log(u'开始整合微信文章数据为字典')??
articles_list?=?self.switch_arctiles_to_list(articles)??
#?Step?7:?把Step?5的字典list转换为Json??
self.log(u'整合完成,开始转换为json')??
data_json?=?json.dumps(articles_list)??
#?Step?8:?写文件??
self.log(u'转换为json完成,开始保存json数据到文件')??
self.save_file(data_json)??
self.log(u'保存完成,程序结束')??
#?main??
if?__name__?==?'__main__':??
gongzhonghao=raw_input(u'输入要爬取的公众号')??
if?not?gongzhonghao:??
gongzhonghao='python6359'??
weixin_spider(gongzhonghao).run()??
#!/usr/bin/python??
#?coding:?utf-8??
[python]?view plain?copy
3.获取公众号地址
从获取到的网页内容中,得到公众号主页地址, 这一步骤有很多方法, beautifulsoup、webdriver,直接使用正则,pyquery等都可以
这里使用的是pyquery的方法来查找公众号主页入口地址
[python]?view plain?copy
4.获取公众号主页的文章列表
首先需要加载公众号主页,这里用的是phantomjs+webdriver, 因为这个主页的内容需要JS 渲染加载,采用之前的方法只能获得静态的网页内容
[python]?view plain?copy
得到主页内容之后,获取文章列表,这个文章列表中有我们需要的内容
[python]?view plain?copy
5.解析每一个文章列表,获取我们需要的信息
6.处理对应的内容
包括文章名字,地址,简介,发表时间等
7.保存文章内容
以html的格式保存到本地
同时将上一步骤的内容保存成excel 的格式
8.保存json数据
这样,每一步拆分完,爬取公众号的文章就不是特别难了。
三、源码
第一版源码如下:
[python]?view plain?copy
第二版代码:
对代码进行了一些优化和整改,主要:
1.增加了excel存贮
2.对获取文章内容规则进行修改
3.丰富了注释
本程序已知缺陷: 如果公众号的文章内容包括视视频,可能会报错。
[python]?view plain?copy
python服务器怎么连接微信
没试过,不过手机远程控制电脑比较好的软件是TeamViewer,记得电脑和手机上装的版本要一致。
python爬取微信好朋友圈怎么实现
有一个微信网页版.模拟登陆是可以登陆上去的.但是看不了朋友圈.只能通过手机的方式进行爬取了.