抓取前的说明和准备
本次抓取的选择的语言是java，本文章不会将整个工程的全部代码全部贴出，只会提供核心代码和抓取思路的说明。
数据的抓取
抓取文章的来源为搜狗微信网站，网站如下图。
抓取的思路如下
- 一般抓取微信公众号的文章都是以微信公众号的id为关键字 ，我们可以通过url+ keyword的形式直接跳转到想要抓取公众号页面，keyword即为想要搜索微信公众号的名称或者是id；
// 搜狗微信搜索链接入口
String sogou_search_url = "http://weixin.sogou.com/weixin?type=1&query="
+ keyword + "&ie=utf8&s_from=input&_sug_=n&_sug_type_=";
- 为了避免网站对爬虫的初步拦截，我们可以使用Selenium （浏览器自动化测试框架）来伪装自己的爬虫，我们使用的chrome，这里需要注意自己的chrome版本与使用的webdriver的版本是对应的；
ChromeOptions chromeOptions = new ChromeOptions();
// 全屏，为了接下来防抓取做准备
chromeOptions.addArguments("--start-maximized");
System.setProperty("webdriver.chrome.driver", chromedriver);
WebDriver webDriver = new ChromeDriver(chromeOptions);
- 到达微信公众号列表页面，如下图，获取微信公众号链接。
// 获取当前页面的微信公众号列表
List<WebElement> weixin_list = webDriver
.findElements(By.cssSelector("div[class='txt-box']"));
// 获取进入公众号的链接
String weixin_url = "";
for (int i = 0; i <= weixin_list.size(); i++) {
String weixin_name = weixin_list.get(i)
.findElement(By.cssSelector("p[class='tit']"))
.findElement(By.tagName("a")).getText();
if (weixin_name.equals(keyword)) {
weixin_url = weixin_list.get(i)
.findElement(By.cssSelector("p[class='tit']"))
.findElement(By.tagName("a")).getAttribute("href");
break;
}
}
webDriver.get(weixin_url);
-
到达微信公众号文章列表页面，如下图；
-
通过对网页元素的分析对微信文章相关信息进行抓取；
// 获取微信文章列表
List<WebElement> weixin_article_list = webDriver.findElements(
By.cssSelector("div[class='weui_media_box appmsg']"));
for (WebElement weixin_article : weixin_article_list) {
// 获取文章缩略图url
String thumbNail = weixin_article
.findElement(By
.cssSelector("span[class='weui_media_hd']"))
.getAttribute("style").substring(23);
String thumbNailUrl = thumbNail.substring(0,
thumbNail.length() - 3);
// 获取文章url
String articleUrl = "http://mp.weixin.qq.com"
+ weixin_article
.findElement(By.cssSelector(
"h4[class='weui_media_title']"))
.getAttribute("hrefs");
// 获取文章简介
String desc = weixin_article
.findElement(By
.cssSelector("p[class='weui_media_desc']"))
.getText();
// 获取文章日期
String dateString = weixin_article
.findElement(By.cssSelector(
"p[class='weui_media_extra_info']"))
.getText();
Date date = null;
try {
date = new SimpleDateFormat("yyyy年MM月dd日")
.parse(dateString);
} catch (ParseException e) {
// TODO 完成异常处理
e.printStackTrace();
}
Date today = new Date();
批量抓取
批量抓取的实现是通过Spring Batch来实现的。Spring Batch 是一个轻量级的、完善的批处理框架,旨在帮助企业建立健壮、高效的批处理应用。
Spring Batch 分为Reader,Processor,Writer,Listener等几个部分。因为是进行批量抓取，所以可以新建一个稿件抓取历史列表来判断是否为新的稿件，从而判断是否进行抓取。
@Configuration
@EnableBatchProcessing
@EnableScheduling
public class WechatOfficialAccountsStoryImportBatchConfig {
@Bean
public WechatOfficialAccountsStoryReader<WechatLink> wechatOfficialAccountsStoryReader() throws BusinessException, IOException {
return new WechatOfficialAccountsStoryReader<WechatLink>();
}
@Bean
public ItemProcessor<LinkHolder<WechatLink>, NrStory> wechatOfficialAccountsStoryProcessor() {
return new WechatOfficialAccountsStoryProcessor();
}
@Bean
public ItemWriter<NrStory> wechatOfficialAccountsStoryWriter() {
return new WechatOfficialAccountsStoryWriter();
}
@Bean
public Job importStoryWechatOfficialAccountsJob(JobBuilderFactory jobs, StepBuilderFactory stepBuilderFactory) throws BusinessException, IOException {
return jobs.get("importStoryWechatOfficialAccountsJob")
.incrementer(new RunIdIncrementer())
.listener(listener(wechatOfficialAccountsStoryReader()))
.flow(importStoryWechatOfficialAccountsStep(stepBuilderFactory))
.end()
.build();
}
@Bean
public Step importStoryWechatOfficialAccountsStep(StepBuilderFactory stepBuilderFactory) throws BusinessException, IOException {
return stepBuilderFactory.get("importStoryWechatOfficialAccountsStep")
.<LinkHolder<WechatLink>, NrStory> chunk(1).faultTolerant()
.skip(SkippingException.class).skip(BusinessException.class).skipLimit(100000)
.reader(wechatOfficialAccountsStoryReader())
.processor(wechatOfficialAccountsStoryProcessor())
.writer(wechatOfficialAccountsStoryWriter())
.build();
}
@Bean
public WechatOfficialAccountsStoryJobListener listener(WechatOfficialAccountsStoryReader<WechatLink> reader) {
return new WechatOfficialAccountsStoryJobListener(reader);
}
}
定时抓取
Spring Batch支持定时抓取，具体规则参考Scheduled。
@Scheduled(cron = "0 0 7,9,11,13,15,17,23 * * ?")
public synchronized void executeWechatOfficialAccountsStoryImport() throws BusinessException, IOException {
try {
long begin = System.currentTimeMillis();
LOG.info("############## 微信公众号定时任务开始 ##############");
Job importStoryJob = wechatOfficialAccountsConfig.importStoryWechatOfficialAccountsJob(
jobs, stepBuilderFactory);
JobParameters jobParameters = new JobParametersBuilder().addLong(
"time", System.currentTimeMillis()).toJobParameters();
JobExecution jobExecution = jobLauncher.run(importStoryJob,
jobParameters);
LOG.info("jobExecution" + jobExecution);
long end = System.currentTimeMillis();
LOG.info("##############微信公众号定时任务结束，共耗时：[" + (end-begin) / 1000 + "]秒##############");
} catch (JobExecutionAlreadyRunningException e) {
LOG.info("微信公众号文章导入发生错误！" + e.getLocalizedMessage());
}
}
对爬虫防抓取机制的一些解决办法
如果抓取的频率较高，抓取的时候页面会要求输入验证码，我也尝试过许多图片识别的jar包，效果并不是很好。我们采用的是第三方的打码平台，有的时候人工还是比智能更好。我们选择的打码平台是快若打码，其官网上有他的使用方法，他提供了一些第三方接口。识别验证码后输入，继续进行抓取。
// 获取当前网页的标题
String title = webDriver.getTitle();
while (title.contentEquals("请输入验证码")) {
LOG.info("############## 微信公众号访问失败，需要输入验证码 ##############");
LOG.info("############## 开始识别验证码 ##############");
// 全屏截图
File srcFile = ((TakesScreenshot) webDriver)
.getScreenshotAs(OutputType.FILE);
Image src = Toolkit.getDefaultToolkit()
.getImage(srcFile.getPath());
BufferedImage originalImage = WechatOfficialAccountStoryJobUtils
.toBufferedImage(src);
WebElement verify = webDriver
.findElement(By.className("page_verify"));
Point location = verify.getLocation();
Dimension size = verify.getSize();
// 截取验证码
int getX = location.getX();
int getY = location.getY();
int getWidth = size.getWidth();
int getHeight = size.getHeight();
BufferedImage verifyImg = originalImage.getSubimage(
getX + getWidth / 3, getY + getHeight / 3,
getWidth / 2, getHeight / 3);
// 验证码的名称和路径
String dirName = "D:/verifyImg";
File dir = new File(dirName);
Date time = new Date();
String verifyImgPath = dirName + "/" + time.getTime()
+ ".jpg";
// 验证码文件夹是否存在
if (dir.exists()) {
LOG.info("############## 目录已存在，无需创建 ##############");
} else {
LOG.info("############## 目录不存在，正在创建目录 ##############");
if (dir.mkdirs()) {
LOG.info("############## 目录创建成功 ##############");
}
}
// 下载验证码
try {
ImageIO.write(verifyImg, "jpg",
new File(verifyImgPath));
} catch (IOException e) {
// TODO 完成异常处理
e.printStackTrace();
}
LOG.info("############## 验证码下载成功 ##############");
// 识别验证码
String ret = WechatOfficialAccountStoryJobUtils
.createByPost(ruokuaiUsername, ruokuaiPassword,
ruokuaiWeixintypeid, ruokuaiTimeout,
ruokuaiSoftid, ruokuaiSoftkey,
verifyImgPath);
String verifyLetter = ret.substring(37, 41);
LOG.info("############## 验证码识别成功 ，验证码为：##############");
LOG.info(verifyLetter);
// 输入验证码
WebElement input = webDriver.findElement(By.id("input"));
input.sendKeys(verifyLetter);
WebElement bt = webDriver.findElement(By.id("bt"));
bt.click();
// 刷新页面
webDriver.navigate().refresh();
title = webDriver.getTitle();
最后
以上就是这次抓取的全部内容了，虽然只提供了核心代码和抓取思路，但仍希望能够帮助到大家。
对了，如果需要部署项目的话，这部分功能需要部署到windows服务器，使用centos的话无法识别验证码。
扫一扫
1652
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
