一、运行环境
(1)win7
(2)python 2.7
(3)pycharm
二、获取csdn发表的文章
# coding:utf-8
import urllib2, re, time, random, os, datetime
import HTMLParser
from bs4 import BeautifulSoup
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
# 自定义打印函数
def self_log(msg):
print u'%s: %s' % (time.strftime('%Y-%m-%d %H:%M:%S'), msg)
# 获取页面内容
def get_html(url):
headers = {'User-Agent': 'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'}
req = urllib2.Request(url=url, headers=headers)
try:
html = urllib2.urlopen(req).read()
html = HTMLParser.HTMLParser().unescape(html)
return html
except urllib2.HTTPError, e:
print e.code
# 得到博客页面总数
def get_last_page(html, fd):
if not html:
self_log(u'页面错误，停止运行')
return
page = BeautifulSoup(html, 'lxml')
try:
last_page = page.find('div', class_='pagelist').find_all('a')
last_page = last_page[len(last_page) - 1].get('href')[-1:]
self_log('总共有%s 页博客' % last_page)
fd.write('总共有%s 页博客\n' % last_page)
return last_page
except Exception, e:
return 1
# 获取页面列表
def get_items(url):
content_html = get_html(url)
page = BeautifulSoup(content_html, 'lxml')
items = page.find_all('div', class_='list_item list_view')
return items
# 根据每一个items list 提取需要的元素
def handle_items(items, content_list, read_num_for_sort):
for item in items:
temp = {} # 临时变量
title = item.find('a') # 标题
content_url = 'http://blog.csdn.net' + title.get('href') # 标题对应文章的地址
read_times = item.find('span', class_='link_view').text.strip() # 阅读次数
comments_time = item.find('span', class_='link_comments') # 评论次数
read_number = int(filter(str.isdigit, str(read_times))) # 提取出来具体阅读次数的数字，为之后的排序做准备
read_num_for_sort.append(read_number)
# 将数据打包
temp['indexs'] = read_number
temp['title'] = title.text.strip()
temp['read_times'] = read_times
temp['comments_time'] = comments_time.text.strip()
temp['content_url'] = content_url
content_list.append(temp)
# 创建文件夹
def mkdir_folder(path):
if not os.path.exists(path):
os.makedirs(path)
# 获取页面信息
def getContent(html, dir_path):
page = BeautifulSoup(html, 'lxml')
try:
title = page.find('div', class_='article_title').find('a').text
title = title.strip()
except Exception, e:
print e
try:
content = page.find('div', class_='article_content')
dir_path = dir_path
artitle_name_path = dir_path + '/' + title + '.txt'
with open(artitle_name_path + '.txt', 'w') as f:
f.write(content.text)
self_log(u'存贮文章：%s 完毕' % title)
except Exception, e:
print e
# 存贮每一篇文章到本地
def run_to_get_article(content_total_list, dir_path):
self_log('start save every article ')
for article_content in content_total_list:
article_url = article_content.split('|')[4]
self_log('将要存贮的地址是： %s ...' % article_url)
artitle_html = get_html(article_url)
getContent(artitle_html, dir_path)
# 根据传进来的地址，获取博主名字，同时以博主名字命名存贮目录
def get_blocker_name(url):
if 'viewmode' in url:
print url.split('.net')[1]
print url.split('.net')[1].split('?')[0].split('/')[1]
return url.split('.net')[1].split('?')[0].split('/')[1]
else:
print url.split('.net')[1]
print url.split('.net')[1].split('/')[1]
return url.split('.net')[1].split('/')[1]
# 程序运行主函数
def run(url, dir_path):
read_num_for_sort = []
content_list = []
content_total_list = []
# 定义文件夹名字并创建文件夹
dir_path = dir_path
mkdir_folder(dir_path)
# 定义文件名字
count_file_name = dir_path + '/' + datetime.datetime.now().strftime('%Y-%m-%d_%H-%M-%S') + '.txt'
fd = open(count_file_name, 'w')
# 1.从主页进入获取页面总数
main_html = get_html(url)
last_page = get_last_page(main_html, fd)
if last_page > 1:
# 3.组装url，分别加载每页的页面,同时在每一个页面提取我们需要的内容
for i in range(1, int(last_page) + 1):
if 'category' not in url:
main_url = url.split('?')[0] + '/article/list/%d?viewmode=contents' % i
else:
main_url = url + '/%s' % i
self_log('即将获取第%d页的内容，地址是：%s' % (i, main_url))
items = get_items(main_url) # 获取每一页的页面内容，根据页面内容得到文章item list
handle_items(items, content_list, read_num_for_sort) # 处理item list
else:
items = get_items(url) # 获取每一页的页面内容，根据页面内容得到文章item list
handle_items(items, content_list, read_num_for_sort) # 处理item list
self_log('总共有%d 篇文章' % len(content_list)) # 根据得到的数据，统计文章总数
# 根据 indexs（阅读次数）这个索引值进行排序
# 非常好的一个根据列表中字典数据进行排序的方法
content_list = sorted(content_list, cmp=lambda x, y: cmp(x['indexs'], y['indexs']), reverse=0)
article_index = 1
for a in content_list:
# 组装打印语句
totalcontent = '第' + str(article_index) + '篇|' + a['title'] + '|' + a['read_times'] + '|' + a[
'comments_time'] + '|' + a['content_url']
# self_log(totalcontent)
print totalcontent
# 将其存贮到本地
fd.write(totalcontent)
fd.write('\n')
article_index += 1
content_total_list.append(totalcontent)
fd.close()
return content_total_list
if __name__ == '__main__':
print '''
*****************************************
** Welcome to Spider of Count CSDN **
*****************************************
'''
#url = 'http://blog.csdn.net/qiqiyingse?viewmode=contents'
url ='http://blog.csdn.net/zuochao_2013?viewmode=list'
# url='http://blog.csdn.net/qiqiyingse/article/category/6292432?viewmode=contents'
# url='http://blog.csdn.net/zuoxiaolong8810/article/category/1434962?viewmode=contents'
dir_path = get_blocker_name(url)
content_total_list = run(url, dir_path)
run_to_get_article(content_total_list, dir_path)
二、爬去微信公众号内容
# 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
'''
# 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 **
*****************************************
'''
gongzhonghao = raw_input(u'输入要爬取的公众号')
if not gongzhonghao:
gongzhonghao = 'python6359'
weixin_spider(gongzhonghao).run()
三、爬去微信公众号内容制作词云
(1)weixin_spider.py
# 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
# 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(sogou_search_url):
# 爬虫伪装头部设置
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
timeout = 5
# 爬虫模拟在一个request.session中完成
s = requests.Session()
log(u'搜索地址为：%s' % sogou_search_url)
return s.get(sogou_search_url, headers=headers, timeout=timeout).content
# 获得公众号主页地址
def get_wx_url_by_sougou_search_html(sougou_search_html):
doc = pq(sougou_search_html)
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(url):
browser = webdriver.PhantomJS(executable_path=r'H:\python\phantomjs.exe')
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")
browser.close()
return html
# 获取公众号文章内容
def parse_wx_articles_by_html(selenium_html):
doc = pq(selenium_html)
return doc('div[class="weui_media_box appmsg"]')
# 将获取到的文章转换为字典
def switch_arctiles_to_list(articles):
# 定义存贮变量
articles_list = []
i = 1
# 遍历找到的文章，解析里面的内容
if articles:
for article in articles.items():
log(u'开始整合(%d/%d)' % (i, len(articles)))
# 处理单个文章
articles_list.append(parse_one_article(article))
i += 1
return articles_list
# 解析单篇文章
def parse_one_article(article):
article_dict = {}
# 获取标题
title = article('h4[class="weui_media_title"]').text().strip()
###log(u'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')
log(u'地址为： %s' % url)
# 获取概要内容
summary = article('.weui_media_desc').text()
log(u'文章简述： %s' % summary)
# 获取文章发表时间
date = article('.weui_media_extra_info').text().strip()
log(u'发表时间为： %s' % date)
# 获取封面图片
pic = parse_cover_pic(article)
# 返回字典数据
return {
'title': title,
'url': url,
'summary': summary,
'date': date,
'pic': pic
}
# 查找封面图片，获取封面图片地址
def parse_cover_pic(article):
pic = article('.weui_media_hd').attr('style')
p = re.compile(r'background-image:url\((.*?)\)')
rs = p.findall(pic)
log(u'封面图片是：%s ' % rs[0] if len(rs) > 0 else '')
return rs[0] if len(rs) > 0 else ''
# 自定义log函数，主要是加上时间
def log(msg):
print u'%s: %s' % (time.strftime('%Y-%m-%d_%H-%M-%S'), msg)
# 验证函数
def need_verify(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(keywords):
if not os.path.exists(keywords):
os.makedirs(keywords)
# 爬虫主函数
def run(keywords):
' 爬虫入口函数 '
# Step 0 ： 创建公众号命名的文件夹
create_dir(keywords)
# 搜狐微信搜索链接入口
sogou_search_url = 'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&s_from=input&_sug_=n&_sug_type_=' % quote(
keywords)
# 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
log(u'开始获取，微信公众号英文名为：%s' % keywords)
log(u'开始调用sougou搜索引擎')
sougou_search_html = get_search_result_by_keywords(sogou_search_url)
# Step 2：从搜索结果页中解析出公众号主页链接
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 = get_wx_url_by_sougou_search_html(sougou_search_html)
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
log(u'开始调用selenium渲染html')
selenium_html = get_selenium_js_html(wx_url)
# Step 4: 检测目标网站是否进行了封锁
if need_verify(selenium_html):
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
log(u'调用selenium渲染html完成，开始解析公众号文章')
articles = parse_wx_articles_by_html(selenium_html)
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
log(u'开始整合微信文章数据为字典')
articles_list = switch_arctiles_to_list(articles)
return [content['title'] for content in articles_list]
# coding: utf8
from wordcloud import WordCloud
import weixin_spider
import matplotlib.pyplot as plt
import time
if __name__ == '__main__':
print u'''
****************************************************************
** Welcome to Spider of weixin gongzhonghao for wordcloud **
****************************************************************
'''
gongzhonghao = raw_input(u'input weixin gongzhonghao:')
if not gongzhonghao:
gongzhonghao = 'python'
text = " ".join(weixin_spider.run(gongzhonghao))
print text
wordcloud = WordCloud(random_state=1, font_path=r'C:/Users/Windows/fonts/simkai.ttf').generate(
text) # 处理获取到的title，准备绘制词云
print 'start drawing.....'
plt.figure()
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis('off')
plt.show()
转载出处: http://blog.csdn.net/column/details/15501.html
扫一扫
5487
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
