Python爬取公众号保存成Word

最新推荐文章于 2023-07-22 07:28:08 发布

Jerome Jiang

最新推荐文章于 2023-07-22 07:28:08 发布

阅读量1.6k

点赞数 4

分类专栏： Python 爬虫文章标签： python 爬虫

本文链接：https://blog.csdn.net/jack19860125/article/details/116293682

版权

Python 同时被 2 个专栏收录

1 篇文章 1 订阅

订阅专栏

爬虫

1 篇文章 0 订阅

订阅专栏

Python爬取公众号

1. 相关工具
2. 实现原理
3. 结束语

1. 相关工具

Python 3.6。用到了bs4,requests,docx包
Chrome浏览器
VS Code

2. 实现原理

使用Python发送URL访问请求，对Response进行中的HTML使用bs4进行解析，截取里面的段落、图片等，最终将其整合成一个完整的word文档。

2.1 HTML解析

使用浏览器打开一个公众号文章，F12查看分析HTML内容。

获取title：选择Inspect (红色框)指向Title。查看Elements显示的内容（黑色框）。见下图。在这里可以看到微信公众号title对应的html标签以及此标签的Id、text。
获取公众号内容：同样的方式，获取内容，查看标签和Id等信息。如下图：

同时，展开子节点，逐个点击会发现每一个字标签都对应一个段落，这样就方便我们后续的操作了。
确保共通性：打开另外一个微信公众号文章，查看Title和Content是否都是同样的标签和Id。结果是一样的。

3. 编码

3.1 pip装包

pip install beautifulsoup4 -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
pip install requests -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
pip install python-docx -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

3.2 HTML解析

获取公众号页面内容

# 导入包
import requests
from bs4 import BeautifulSoup, NavigableString

# 发送公众号的Url请求
response = requests.get('https://mp.weixin.qq.com/s/aYNgwcPLsLeUahE_XZgppw')
# 获取返回内容，这里的htmlText一个完整的HTML页面。也就是F12->Elements tab下看到的。
htmlText = response.text
# 以HTML缩进解析字符串
bs = BeautifulSoup(htmlText, 'html.parser')
print(bs)

在输出bs后，你会得到以下内容：

<!DOCTYPE html>
<html class="">
<head>
xxxxx
<h2 class="rich_media_title" id="activity-name">早啊！新闻来了〔2021.06.23〕</h2>
xxxx
<div class="rich_media_content" id="js_content" style="visibility: hidden;">
xxxx

通过上述内容，我们能够发现：前面截图的公众号title在这里是可以找到的。同样，公众号内容也可以找到。接下来我们需要做的就是，获取公众号的title和content。
首先，我们尝试对获取对应的title，titile标签内容如下：

<h2 class="rich_media_title" id="activity-name">早啊！新闻来了〔2021.06.23〕</h2>

使用bs4，查找上述包含title的h2标签

# 查看bs字符串中的h2标签。同时，标签的id属性等于activity-name
titleDiv = bs.find(name='h2', attrs={'id': {'activity-name'}})
title = titleDiv.text.strip
print(title ) # 输出内容：早啊！新闻来了〔2021.06.23〕

title已经获取到了，接下来我们来获取公众号的内容。代码如下：

# 找到包含内容的Div控件。
contentDiv = bs.find(name='div', attrs={'id': {'js_content'}})
# 输出控件内容。输入内容见下图
print(contentDiv)

print的返回值与Debbug窗口内容一致：

上图可以看到contentDiv节点下包含了很多的子节点，我们对子节点展开，并与公众号内容对比一下：
子节点信息
会发现文本内容和图片都保存在子节点的叶子节点中。基于这个结论，我们就可以继续获取公众号内容了。

def _recursiveTag(self, tag, isInPFlag):
    text = ''
    currentUpdateFlag = False
    # tag.contents获取Html标签的全部子标签
    for childTag in tag.contents:
        if isInPFlag:
            pFlag = isInPFlag
        else:
        	# 检查标签名字，一般内容都在P或者h3标签中
            pFlag = childTag.name == 'p' or childTag.name == 'h3'
            currentUpdateFlag = True if pFlag else False

        if isinstance(childTag, NavigableString):
        	# 当前tag是一个字符串，非HTML标签。例如：
        	# <span> ● <strong>xxx</strong> 老年人打车服务专线年底开通 </span>
        	# 遍历到● 和 老年人打车服务专线年底开通 时进入到此分支。
            if childTag != '\n':
            	# 获取内容
                text += self._getText(tag, pFlag)
        elif len(childTag.contents) == 0:
           	# 当前标签无子节点，获取标签内容
            text += self._getText(childTag, pFlag)
        else:
            # 递归遍历
            text += self._recursiveTag(childTag, pFlag)

        if currentUpdateFlag:
            if text != '' and not text.endswith('\n'):
                text += '\n'
            currentUpdateFlag = False
   return text
   
# 获取页面下的包含所有内容的主节点
text = self._recursiveTag(contentDiv, False)
# 最终我们获取了一个完整的文本内容。内容见下图
print(text)

在输出内容后，会看到内容中包含了很多的图片内容，为了保证我们获取公众号内容的完整性，这部分内容通常我们需要下载对应的图片，并保存到word中。
公众号内容输出

3.3 下载图片

在上面的图片中，能看到图片完整的URL。我们使用requests包访问此url即可以获取图片对应的的内容然后保存到本地即可。

def _getPicExtension(self, url):
    try:
    	# 获取图片的格式。
    	# url: https://mmbiz.qpic.cn/mmbiz_jpg/oq1PymRl9D7Mxxxxxxxxx
    	# 使用正则表达式，获取得到jpg
        reFormat = '''http.*?mmbiz_(.*?)/.*'''
        extension = re.search(reFormat, url).group(1)
    except:
    	# 部分图片是特殊的格式，但是较少，此处不处理了，直接强制使用jpg。感兴趣的大家自己研究吧。
        print('image extension error:' + url)
        extension = 'jpg'
    return extension

def _downloadPic(self, url, tempName):
	# 发送图片URL访问请求，获取图片内容
    pic = requests.get(url, timeout=20)
    # 获取图片后缀
    picExtension = self._getPicExtension(url)
    folderName = self._document.fileName.split('\\')[-1].split('.')[0].replace('"','')
    currentDate = time.strftime("%Y%m%d", time.localtime())
    dirPath = os.path.abspath('.') + '\\content\\' + \
        currentDate + '\\' + folderName
    if not os.path.exists(dirPath):
        os.makedirs(dirPath)
    # 保存到本地指定目录下。
    path = dirPath + '\\' + str(tempName) + '.' + picExtension
    # 创建本地图片文件，写入requests返回的图片内容。
    fp = open(path, 'wb+')
    fp.write(pic.content)
    fp.close()

    return path

3.4 保存到word中

# coding:utf-8
import os
import time

import docx
from docx.enum.text import WD_LINE_SPACING # 段落的行距格式
from docx.oxml.ns import qn
from docx.shared import Pt #设置像素、缩进等

H1 = 1
H2 = 2
H3 = 3
H4 = 4
Normal = 5
Image = 6


class WordDocument(object):
    def __init__(self, fileName):
        self.currentDate = time.strftime("%Y%m%d", time.localtime())
        # 文档保存地址
        self._fileName = os.path.abspath('.') + '\\content\\' + self.currentDate + '\\' + fileName
        self._content = []
        self.url = ''

    @property
    def fileName(self):
        return self._fileName

    def updateFileName(self, fileName):
        self._fileName = os.path.abspath('.') + '\\content\\' + self.currentDate + '\\' + fileName + ".docx"

    def addNormalContent(self, lineObj):
    	# 增加正文
        self._content.append({'Type': Normal, 'Value': lineObj})

    def addTitleContent(self, titleStr):
    	# 增加H1标题
        self._content.append({'Type': H1, 'Value': titleStr})

    def addImageContent(self, imagePath):
    	# 增加图片
        self._content.append({'Type': Image, 'Value': imagePath})

    def save(self):
    	# 实例化word文档
        document = docx.Document()
        # 设置文档的字体
        document.styles['Normal'].font.name = '宋体' 
        document.styles['Normal']._element.rPr.rFonts.set(qn('w:eastAsia'), '宋体')

        if self.url != '':
        	# 在word中增加一段
            p = document.add_paragraph()
            # 显示公众号链接
            run = p.add_run('公众号链接：' + self.url)
            # 指定行距：单行
            run.line_spacing_rule = WD_LINE_SPACING.SINGLE
            # 段前
            run.space_after = Pt(3)
            # 段后
            run.space_before = Pt(0)

        for i in range(0, len(self._content)):
            pa = self._content[i]
            if pa['Type'] == 1:
                p = document.add_paragraph()
                run = p.add_run(pa['Value'])  # 使用add_run添加文字
                # 字体大小设置，和word里面的字号相对应，小一
                run.font.size = Pt(26)  
                # 字体加粗
                run.bold = True  
            elif pa['Type'] == 6:
                try:
                    pic = document.add_picture(pa['Value'])
                    if pic.width > 14 * 360000:
                        pic.width = 14 * 360000
                except:
                    p = document.add_paragraph()
                    run = p.add_run('一个图片添加失败，请手动添加。' + pa['Value'])
                    # 字体大小设置，和word里面的字号相对应，小一
                    run.font.size = Pt(26)  
                    run.bold = True  # 字体加粗
            elif pa['Type'] == 5:
                p = document.add_paragraph()
                run = p.add_run(pa['Value'])
                run.line_spacing_rule = WD_LINE_SPACING.SINGLE
                run.space_after = Pt(3)
                run.space_before = Pt(0)

        document.save(self._fileName)

上述过程写的比较简单，更多的细节操作，大家可以查看python-docx的文档，可以做出来一个非常标准的word。访问链接：python-docx文档.

3. 结束语

至此，就完成了本文的全部内容。文章介绍的比较比较简单，希望能够帮助大家，最后附上源码下载地址: 请点击.

Jerome Jiang

关注

4
点赞
踩
18

收藏

觉得还不错? 一键收藏
1
评论
Python爬取公众号保存成Word

Python爬取公众号保存成Word相关工具新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入相关工具Python 3.6。用到了bs4,requests,docx包一个浏览器，我用的Chrome。微信电脑版新的
复制链接

扫一扫