个人项目,只支持python3.
需要说明的是,本文中介绍的都是小规模数据的爬虫(数据量<1G),大规模爬取需要会更复杂,本文不涉及这一块。另外,代码细节就不过多说了,只将一个大概思路以及趟过的坑。
本文中涉及的阿布云IP隧道及云打码平台需要自己注册,并在code中相应部分取消注释。
需要在每个模块中建立output文件夹,才能使用,文档结构如下图所示
搜狗微信文章抓取
- 目标:在搜狗微信模块下搜索关键词的文章,抓取链接保存文章标题,来源,时间,内容的内容
- 采取的策略:selenium模拟搜索,登陆扫码采用手动扫描的模式,登陆后通过不同的关键词进行搜索,翻页等操作。
- 遇到的坑:
- SogouWechat这个库只能抓到10个items(自己加入cookies也只能抓10个好像,反正我没成功的抓多个)
- 登陆只想到手动扫描这一块,没有其他更好的方法
- 搜索出来的文章链接时临时性的,要及时request并保存
- 在模拟翻页操作的时候,建议模拟一下页面滚动
- 网速不好的情况,要有sleep,要不然chrome会报错
搜狗新闻抓取
- 目标:在搜狗新闻搜索中搜索关键,将所有新闻的标题,时间,内容保存下来
- 采取的策