爬虫实战教程：采集微信公众号文章

一.场景简介

1.场景描述：通过搜狗采集微信公众号的文章

2.入口网址：https://weixin.sogou.com/weixin?type=1&s_from=input&query=%E5%89%8D%E5%97%85&ie=utf8&sug=n&sug_type=

3.采集内容：

采集搜狗微信平台中，关键词搜索出来的微信公众号文章的标题、正文、作者、公众号名称等。图片


二.思路分析

|配置思路概览

|配置步骤

1. 新建采集任务

选择【采集配置】，点击任务列表右上方【+】号可新建采集任务，将采集入口地址填写在【采集地址】框中，【任务名称】自定义即可，点击下一步。

继续勾选普通翻页，然后点击完成，创建成功。

2.关键词配置

①在入口页搜索不同关键词，发现不同关键词搜索结果的链接，只更换了图中红框部分，而红框部分正是经过转码后的关键词，于是得出关键词链接的拼接规则为：

https://weixin.sogou.com/weixin?type=2&s_from=input&query=关键词

②得到关键词链接拼接规则后，开始配置关键词搜索：

点击屏幕右下角【高级配置】，将采集地址填写到【请求地址】中，点击【+】添加一个参数，名称可以自定义，此项配置是用于后期脚本能将关键词从关键词列表中取出，配置完成点击【确定】即可。

将参数类型选择为检索关键词，点击保存。

③由于本模板是以关键词搜索为入口，所以在【模板抽取配置】选择频道（即任务名称），选择【脚本窗口】，将关键词搜索配置在频道处即可。

④具体配置脚本如下：

文本如下：

var sear=EXTRACT.GetSearch(this); //关键词获取
var k=sear.Search();
while(k){ //遍历关键词
	url u;	//定义一个url
	u.urlname="https://weixin.sogou.com/weixin?type=2&s_from=hotnews&query="+k.wk; //拼搜索关键词的地址
	var tit=TransFrom(u.UnEscape(k.wk),7);//将转码后的关键词转为中文
	u.title=tit;//将标题设置为关键词名称
	u.entryid=this.id;
	u.tmplid=1;
	k=sear.Search();
	RESULT.AddLink(u);
}

添加一个或多个关键词，并保存，如下图所示。（多个关键词用英文;隔开）

⑤效果预览：

在【关键词列表】中填写关键词，点击【保存】，点击【采集预览】，即可看到配置效果。

如果采集预览异常，可打开前嗅官网，咨询技术支持。

3.翻页配置

关键词配置完成，下一步是获取关键词搜索结果中的全部翻页链接。

①同样选择【脚本窗口】，配置翻页脚本。

②对关键词搜索出的网页翻页，观察网页地址的变化。

https://weixin.sogou.com/weixin?query=none&sug_type=&s_from=hotnews&sug=n&type=2&page=2&ie=utf8 第二页

https://weixin.sogou.com/weixin?query=none&sug_type=&s_from=hotnews&sug=n&type=2&page=3&ie=utf8 第三页

发现翻页链接是在原地址中增加了“&sug_type=&s_from=hotnews&sug=n&type=2&page=2&ie=utf8”部分，随着页码的改变，仅有page参数的值在变化。page为页码的配置参数，其它不变部分，直接拼接在链接中即可。

③具体配置脚本如下：

文本如下：

url u;
for(i=1;i<11;i++){ //遍历翻页
	u.urlname=URL.urlname+"&_sug_type_=&s_from=hotnews&_sug_=n&type=2&"+"page="+i+"&ie=utf8"; //拼翻页链接
	u.title=URL.title+"@"+i;
	u.entryid=this.id;
	u.tmplid=2;
	RESULT.AddLink(u);
}

④效果预览：

如果采集预览异常，可打开前嗅官网，咨询技术支持。

4.链接抽取

这一步是在获取的翻页链接中，提取每页全部微信文章的链接：

①在原有模板基础上，右键选择【添加模板】，并新建一个链接抽取，如下图所示：

②查看页面源码，打开浏览器中该页面，点击F12，点击指针按钮，如下图所示，用指针按钮选中所需要的文章链接，这时在右侧出现对应源码内容。说明城市分类链接在【target=_blank】节点下。

③经过观察发现，我们要找的是【target=_blank】节点中的href，【target=_blank】节点是【class=news-list】的子节点中，名为【h3】的节点的子节点。

④具体配置脚本如下，配置好脚本后点击右上角【保存】。

文本如下：

var block=DOM.FindClass("news-list","ul");//找到class为news-list的节点
var list = block.child;//list为block的子节点
url u;//定义一个url
var floor=1;//定义foor为1
while(list){
	var ur=DOM.FindName("h3",list).child;//定义ur为找到list中的名为h3的节点的子节点
	var tit=DOM.GetTextAll(ur);//取ur节点中所有的文本
	u.urlname = url.StdUrl(URL.urlname,ur.href);//将ur节点的href转化为链接
	u.entryid = CHANN.id;
	u.tmplid = 3;//连接模板2
	u.title = URL.title+"#"+floor+"*"+tit;
	RESULT.AddLink(u);
	list=list.next;
	floor=floor++;
}

⑤.采集预览如下所示：

如果采集预览没有出来，可以打开前嗅官网，咨询技术支持。

5.数据抽取

①链接抽取完成进入数据页，在原有模板基础上，右键选择【添加模板】，新添加的模板，右键【添加数据抽取】。

②此时要完成数据建表的工作：选择【数据建表】，点击【采集数据表结构】中的【+】，即可添加数据表，名称可以自定义。

③数据表配置完成，选择【数据抽取】右侧数据属性配置，表单选择刚建立的“微信公众文章”数据表，则可看到表单中的字段在右侧显示。

④需要配置哪一个字段，点击该字段，在右侧字段属性中配置即可，选择脚本配置的字段，在脚本窗口中进行代码配置。

id字段：主键字段，采集内容选择【主键】-【网页主键】，主键为当前网页的MD5值。

title字段：脚本如下所示

content字段
浏览器打开文章页面，查看页面源码，打开浏览器中该页面，点击F12，点击指针按钮，如下图所示，用指针按钮选中文章正文，这时在右侧出现对应源码内容。说明城市分类链接在【class=rich_media_wrp】的节点下。

用脚本表示为：

keywords字段：关键词字段，该字段是用脚本处理的，由于关键词字段仅是频道脚本中的局部变量，且后期页面均没有出现，所以需要将关键词字段赋值在全局变量中，才能在数据抽取时将关键词字段提取出来，此处将其赋值与全局变量title。

同理，数据表中需要采集当前数据在第几页出现，而页面数据同样为翻页模板中的局部变量，后面模板无法提取，所以需要将当前翻页脚本中的页数记录在全局变量中，同样将页数记录在title中以“#”与关键词分隔。

当前数据出现在某页第几行，页码已经记录在全局变量title中，链接抽取中当前链接行数也是唯一出现的局部变量，同样需要记录才能传值，于是将行数也赋值在title中以“*”与页码分隔。

所以最终记录在title中的值包含以下部分：

对于keywords字段来说，取出全局变量title中“@”左边部分即可。

page字段：页码，同keywords字段，取全局变量title中“@”和“#”中间部分。

raw字段：行数，同keywords字段，取全局变量title中“#”和“*”中间部分。

gettime字段：网页采集时间，采集内容选择【时间信息】-【网页获取时间】

url字段：网页地址，采集内容选择【网页信息】-【网页地址】

web字段：网站名，脚本返回“微信公众号”。

author字段：查看页面源码，打开浏览器中该页面，点击F12，点击指针按钮，如下图所示，用指针按钮选中作者，这时在右侧出现对应源码内容。说明城市分类链接在【id=js_name】的节点下。

脚本如下图所示：

temp_name字段：模板名称，采集内容选择【采集任务信息】-【任务名称】

⑤以上完成全部字段配置，效果预览如下：

如果采集预览有字段显示异常，可以将爬虫中的模拟浏览器版本设置为：IE浏览器9，如下图所示，之后再尝试。

如果采集预览异常，可打开前嗅官网，咨询技术支持。

三.采集步骤

模板配置完成，采集预览没问题后，可进行数据采集。

①首先要建立采集数据表：

选择【数据建表】，点击【表单列表】中该模板的表单，在【关联数据表】中选择【创建】，表名称自定义，这里命名为wenzhang（注意命名不能用数字和特殊符号），点击【确定】。

创建完成，勾选数据表。

②选择【数据采集】，勾选任务名称，点击【开始采集】，则正式开始采集。

③可以在【数据浏览】中，选择数据表查看采集数据，并可以导出数据。

四.课后回顾

GetSearch()：返回关键词列表中的关键词。

Search()：反复调用来遍历关键词列表。

FindClass(class名，标签类型，开始查找结点)：当符合条件的class名称唯一时，使用class名来查找结点。

FindName(标签名,开始查找结点)：当查找范围内，符合条件的数据标签唯一时，可以使用标签名称查找标签结点。

GetTextAll(需要获取文本的结点,使用的字符编码)：获取该html标签节点及所有子节点的可见文本。

Child：孩子频道节点。

StdUrl(base,strUrl)：链接地址绝对转化，base表示基链接地址，strUrl表示待转化链接地址。

Right(flag)：返回字符串右边的字符串，flag表示所取长度或起始字符(串)。

Left(flag)：返回字符串右边的字符串，flag表示所取长度或起始字符(串)

Middle(pos,len)：返回字符串的中间字符串，pos表示起始位置或起始字符(串)，len表示所取长度或终止字符(串)。