Jimy_Fengqi

永远不要说太晚了,学习的终极技能就是——活到老,学到老

python爬虫(17)爬出新高度_抓取微信公众号文章(selenium+phantomjs)(上)

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

		# 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

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

	#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')

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

	#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

 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

	#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

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:

#!/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()


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。

#!/usr/bin/python
# coding: utf-8

'''
总的来说就是通过搜狗搜索中的微信搜索入口来爬取
2017-04-12 by Jimy_fengqi
'''

#这三行代码是防止在python2上面编码错误的,在python3上面不要要这样设置
import sys
reload(sys)
sys.setdefaultencoding('utf-8')

from urllib import quote
from pyquery import PyQuery as pq
from selenium import webdriver
from pyExcelerator import * #导入excel相关包

import requests
import time
import re
import json
import os


class weixin_spider:

	def __init__(self, keywords):
		' 构造函数 '
		self.keywords = keywords
		# 搜狐微信搜索链接入口
		#self.sogou_search_url = 'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&_sug_=n&_sug_type_=' % quote(self.keywords)
		self.sogou_search_url = 'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&s_from=input&_sug_=n&_sug_type_=' % quote(self.keywords)
								
		# 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()
		
		#excel 第一行数据
		self.excel_data=[u'编号',u'时间',u'文章标题',u'文章地址',u'文章简介']
		#定义excel操作句柄
		self.excle_w=Workbook()
		
	
	#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

		
	#将获取到的文章转换为字典
	def switch_arctiles_to_list(self, articles):
		#定义存贮变量
		articles_list = []
		i = 1
		
		#以当前时间为名字建表
		excel_sheet_name=time.strftime('%Y-%m-%d')
		excel_content=self.excle_w.add_sheet(excel_sheet_name)
		
		#遍历找到的文章,解析里面的内容
		if articles:
			for article in articles.items():
				self.log(u'开始整合(%d/%d)' % (i, len(articles)))
				#处理单个文章
				articles_list.append(self.parse_one_article(article,i,excel_content))
				i += 1
		return articles_list
	#解析单篇文章
	def parse_one_article(self, article,i,excel_content):
		article_dict = {}
		
		#获取标题
		title = article('h4[class="weui_media_title"]').text()
		self.log('标题是: %s' % title)
		#获取标题对应的地址
		url = 'http://mp.weixin.qq.com' + article('h4[class="weui_media_title"]').attr('hrefs')
		self.log('地址为: %s' % url)
		#获取概要内容
		summary = article('.weui_media_desc').text()
		self.log('文章简述: %s' % summary)
		#获取文章发表时间
		date = article('.weui_media_extra_info').text()
		self.log('发表时间为: %s' % date)
		#获取封面图片
		pic = self.parse_cover_pic(article)
		#获取文章内容
		content = self.parse_content_by_url(url).html()
		#存储文章到本地
		contentfiletitle=self.keywords+'/'+title+'_'+date+'.html'
		self.save_content_file(contentfiletitle,content)
		
		#将这些简单的信息保存成excel数据
		cols=0
		tempContent=[i,date,title,url,summary]
		for data in self.excel_data:
			excel_content.write(0,cols,data)
			excel_content.write(i,cols,tempContent[cols])
			
			cols +=1
		self.excle_w.save(self.keywords+'/'+self.keywords+'.xls')
		
		
		#返回字典数据
		return {
			'title': title,
			'url': url,
			'summary': summary,
			'date': date,
			'pic': pic,
			'content': content
		}
		
	#查找封面图片,获取封面图片地址
	def parse_cover_pic(self, article):
		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 ''
	#获取文章页面详情
	def parse_content_by_url(self, url):
		page_html = self.get_selenium_js_html(url)
		return pq(page_html)('#js_content')
	
	#存储文章到本地	
	def save_content_file(self,title,content):
		with open(title, 'w') as f:
			f.write(content)
	
	#存贮json数据到本地	
	def save_file(self, content):
		' 数据写入文件 '
		with open(self.keywords+'/'+self.keywords+'.txt', 'w') as f:
			f.write(content)
	#自定义log函数,主要是加上时间
	def log(self, msg):
		print u'%s: %s' % (time.strftime('%Y-%m-%d %H:%M:%S'), msg)
	#验证函数
	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() != ''
	#创建公众号命名的文件夹
	def create_dir(self):
		if not os.path.exists(self.keywords):  
			os.makedirs(self.keywords) 
			
	#爬虫主函数
	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.keywords)
		self.log(u'开始调用sougou搜索引擎')
		sougou_search_html = self.get_search_result_by_keywords()
		
		# 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
#几个可供参考的公众号
#DataBureau  
#python6359
#ArchNotes
if __name__ == '__main__':
	print '''
			***************************************** 
			**    Welcome to Spider of 公众号       ** 
			**      Created on 2017-04-12          ** 
			**      @author: Jimy _Fengqi          ** 
			*****************************************
	'''
	gongzhonghao=raw_input(u'输入要爬取的公众号')
	if not gongzhonghao:
		gongzhonghao='python6359'
	weixin_spider(gongzhonghao).run()
	


四、总结

本文涉及到的知识点:

1.requests的get方法

2.爬虫header的设置

3.文件IO操作, 文件夹的创建,文件的创建

4.pyquery的使用,拓展内容beautifsoup的使用

5.phantomjs +webdriver的使用 ,  拓展  webdriver 中 xpath方法的使用

6.js 的加载

7.quote的使用

8. time 的使用   系统休眠和获取当前时间,处理时间格式

9.excel 的使用

本文使用的excel 相关包  pyExcelerator

from   pyExcelerator  import * #导入excel相关包

它的安装方法:

pip  install  pyExcelerator 

10.数据的存贮

11.正则表达式的使用

12.json的使用

13. 打印log 的变换方法


阅读更多
版权声明:Jimy_Fengqi原创作品,欢迎转载,转载请注明http://blog.csdn.net/qiqiyingse https://blog.csdn.net/qiqiyingse/article/details/70050113
个人分类: python爬虫
所属专栏: python爬虫专题
想对作者说点什么? 我来说一句

微信公众号爬虫

微信爬虫

sechelove sechelove

2016-12-30 14:19:57

阅读数:2321

没有更多推荐了,返回首页

不良信息举报

python爬虫(17)爬出新高度_抓取微信公众号文章(selenium+phantomjs)(上)

最多只允许输入30个字

加入CSDN,享受更精准的内容推荐,与500万程序员共同成长!
关闭
关闭