使用代理处理反爬抓取微信文章

目标

使用代理反爬抓取微信文章，获取文章标题、内容、公众号等信息，并存储到MongoDB数据库中。

流程框架

如果要抓取微信文章可以使用搜狗的搜索引擎，它会显示最新的文章，但是有两个问题需要大家注意：

• 如果要抓取某一个主题（比如微信风景文章）的所有记录的话，需要先登录（也就是你的请求头headers中要有登陆之后服务器返回的cookies）,未登录只可以查看10页，登录之后可以查看100页
• 搜狗微信站点的反爬措施比较严格，如果只是用本地IP（单IP）去抓取的话肯定是不行的，这个时候我们需要用到代理池技术（通过可用随机代理去绕过反爬机制） 关于代理池的实现以及使用可以参考这篇文章：使用Redis+Flask维护动态代理池

下图展示了具体的流程框架：

(1)抓取索引页内容

def parse_index(html):

    doc = pq(html)
    items = doc('.news-box .news-list li .txt-box h3 a').items()
    for item in items:
        yield item.attr('href')def parse_index(html):
    doc = pq(html)
    items = doc('.news-box .news-list li .txt-box h3 a').items()
    for item in items:
        yield item.attr('href')

在流程框架部分我们提到，在此将要使用搜狗搜索微信站点文章，首先让我们进入搜狗搜索界面https://weixin.sogou.com/，比如输入关键字风景，就会出现微信文章的列表。

从网页的url可以看出这是一个get请求，只保留主要参数，可以把url简化为

其中，“query”代表搜索的关键词，“type”代表搜索结果的类型，“type=2”表示搜索结果是微信文章，“page”也就是当前页数。

分析完网页的url组成之后，我们先解决第一个问题：保存cookie，模拟登录。 打开浏览器控制台，选择NetWork->Headers选项卡，可以看到请求的headers信息。

解决完以上问题之后，让我们尝试写一下代码获取第1-100页的网页源码：

from urllib.parse import urlencode
import requests

base_url = 'https://weixin.sogou.com/weixin?'

# 构造请求头
headers = {
    'Cookie': 'CXID=DF1F2AE56903B8B6289106D60E0C1339; SUID=F5959E3D8483920A000000005BCEB8CD; sw_uuid=3544458569; ssuid=8026096631; pex=C864C03270DED3DD8A06887A372DA219231FFAC25A9D64AE09E82AED12E416AC; SUV=00140F4F78C27EE25BF168CF5C981926; ad=p7R@vkllll2bio@ZlllllVsE@EclllllNBENLlllll9lllllpA7ll5@@@@@@@@@@; IPLOC=CN4110; ABTEST=2|1543456547|v1; weixinIndexVisited=1; sct=1; JSESSIONID=aaaXtNmDWRk5X5sEsy6Cw; PHPSESSID=lfgarg05due13kkgknnlbh3bq7; SUIR=EF72CF750D0876CFF631992E0D94BE34;',
    'Host': 'weixin.sogou.com',
    'Upgrade-Insecure-Requests': '1',
    'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
}

def get_html(url, count=1):
    response = requests.get(url, allow_redirects=False, headers=headers)
    # 判断网页返回的状态码是否正常
    # 如果状态码是200说明可以正常访问
    if response.status_code == 200:
        return response.text
    # 如果状态码是302，则说明IP已经被封
    if response.status_code == 302:
        return None

def get_index(keyword, page):
    data = {
        'query': keyword,
        'type': 2,
        'page': page
    }
    queries = urlencode(data)
    url = base_url + queries
    html = get_html(url)
    return html

def main():
    for page in range(1, 101):
        html = get_index('风景', page)
        print(html)
        
if __name__ == '__main__':
    main()

运行以上代码，会发现刚开始运行正常，正确返回网页源码，之后便一直返回None，此时让我们打开浏览器观察一下：

可以看出，代码运行后不停返回None的原因是网页被重定向，需要输入验证码才能正常访问，这便是我们开篇说过的第二个问题，我们的访问被搜狗搜索的反爬虫措施拦截，如果想要继续正常访问，便需要利用代理池获取随机代理来绕过反爬机制。

(2)代理设置

在使用Redis+Flask维护动态代理池一文中，我们讲解了代理池的基本原理和简单实现，代码已托管到github上，现在让我们利用代理池来获取随机代理。

首先让我们定义get_proxy()方法，返回代理池获取的随机可用ip：

# flask监听的是5000端口
PROXY_POOL_URL = 'http://127.0.0.1:5000/get'

def get_proxy():
    try:
        response = requests.get(PROXY_POOL_URL)
        if response.status_code == 200:
            return response.text
        return None
    except ConnectionError:
        return None

接下来修改get_html(url, count=1)方法，以随机ip的方式访问网页：

MAX_COUNT = 5
proxy = None

def get_html(url, count=1):
	# 打印抓取的url
    print('Crawling', url)
    # 打印尝试抓取的次数
    print('Trying Count', count)
    global proxy
    # 如果抓取的次数大于最大次数，则返回None
    if count >= MAX_COUNT:
        print('Tried Too Many Counts')
        return None
    try:
        if proxy:
            proxies = {
                'http': 'http://' + proxy
            }
            # allow_redirects=False:禁止浏览器自动处理302跳转
            response = requests.get(url, allow_redirects=False, headers=headers, proxies=proxies)
        else:
            response = requests.get(url, allow_redirects=False, headers=headers)
        if response.status_code == 200:
            return response.text
        # 状态码是302，说明IP已经被封，调用get_proxy()获取新的ip
        if response.status_code == 302:
            # Need Proxy
            print('302')
            proxy = get_proxy()
            if proxy:
                print('Using Proxy', proxy)
                return get_html(url)
            else:
                print('Get Proxy Failed')
                return None
    except ConnectionError as e:
   	 	# 如果连接超时，重新调用get_html(url, count)方法
        print('Error Occurred', e.args)
        proxy = get_proxy()
        count += 1
        return get_html(url, count)

再次运行代码，会发现不停重复打印None的情况基本消失。大家注意，这里是基本消失，原因是我们的代理池使用的是免费代理网站获取的代理，同一时刻可能会有许多人访问，这样就很容易造成ip地址被封的情况。如果你想要获取更好的效果，不妨使用一下收费代理。

至此，我们解决了开篇提到的两个问题，接下来，就可以抓取网页，分析内容。

(3)分析详情页内容

首先我们需要获取到第1-100页中每一篇文章的url：

def parse_index(html):
    doc = pq(html)
    items = doc('.news-box .news-list li .txt-box h3 a').items()
    for item in items:
        yield item.attr('href')
        
def main():
    for page in range(1, 101):
        html = get_index(KEYWORD, page)
        if html:
            article_urls = parse_index(html)
            print(article_urls)

获取到每一篇文章的url之后，就需要解析每一篇文章的内容。解析方法与上面相同，在此不再赘述。具体代码如下：

def parse_detail(html):
    try:
        doc = pq(html)
        title = doc('.rich_media_title').text()
        content = doc('.rich_media_content ').text()
        date = doc('#publish_time').text()
        nickname = doc('.rich_media_meta_list .rich_media_meta_nickname').text()
        wechat = doc('#activity-name').text()
        return {
            'title': title,
            'content': content,
            'date': date,
            'nickname': nickname,
            'wechat': wechat
        }
    except XMLSyntaxError:
        return None

需要注意的一点就是需要捕获XMLSyntaxError异常。

(4)将数据保存到数据库

最后让我们新建一个config.py文件，文件中包含了MongoDB的URL，数据库名称，表名称等常量：

MONGO_URL = 'localhost'
MONGO_DB = 'weixin'

在spider.py中配置存储到MongoDB相关方法：

from config import *
import pymongo

client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]

def save_to_mongo(data):
    if db['articles'].update({'title': data['title']}, {'$set': data}, True):
        print('Saved to Mongo', data['title'])
    else:
        print('Saved to Mongo Failed', data['title'])

运行代码，接下来在MongoDB中进行查看：

项目完整代码已托管到github:https://github.com/panjings/python-spider

转载于:https://my.oschina.net/panjing/blog/2966776