代理ip网站源码_python 爬取搜狗微信文章(代理池+re解决跳转链接问题)

作者最近在学习python爬虫，在爬取微信文章这个实战项目中遇到了一些小问题，所以写这篇文章来记录一下，顺便分享一下爬取过程。

• 整体思路

我们选择从搜狗的微信界面(‘https://weixin.sogou.com/’)来获取微信文章的基本信息，由于搜狗有反爬措施，采用代理池，先将搜狗搜索的结果页的源码爬取，之后解析出这一页的文章链接，翻页，继续解析至最后一页，最后访问文章链接获取源码提取所需信息保存到MongoDB中

• 准备工作

代理池ProxyPool：代理池的作用是用来应对sougo的反爬虫措施，当你快速翻页时搜狗会跳出验证码识别，这时的网页请求会由200变成302的错误状态，这表示现在的ip被搜狗察觉并且不能再使用它来爬取。

代理池中有许多免费公开的ip，我们从代理池中不断获取ip来保证过程中有可用的ip供我们使用，这里使用的是github上公开的代理池代码附上链接，链接中有使用方法，大家可以自行下载运行：‘https://github.com/Python3WebSpider/ProxyPool’

第三方库：除了代理池的requirement.txt中的库，还需要用到re库(正则表达式库)requests库(get网页源码)BeautifulSoup(解析)pymongo(mongodb数据库存取)

MongoDB数据库：非必须，可以选择其它的数据库或者文件类型存储

第一步：获取搜索结果界面的源码

由于是静态页面，用requests库就可以很方便的爬取，但需要注意两点：1.搜索中如果不登录vx只能爬取十页的内容 2.需要在出现302的状态码时从代理池中获取新的ip

解决第一个问题需要对headers进行设置，这里简单得设置User-Agent和Cookie达到需求

解决第二个问题采用从代理池的端口中获取ip

附代码及注释：

第二步：实现翻页，获取每一页的源码

• 这里只需要改变页数，也就是之前的ke参数即可

通过运行以下代码即可获取100页的源码

第三步：解析尝试获得文章的url

• 此时我们已经获取了每一页的html变量，现在对每一页的html结构进行分析，找到可能存储着文章url的信息

通过右键检查链接，我们发现每一个文章信息都储存在class为‘news-list’下的< li >中，而链接在< li >的< a >标签的href属性中，点击链接，我们成功跳转到了文章界面

然后当我进行下一步，获取该url的源码时，我发现不是我想要的界面第四步：通过re获得真实url

此时我并没有管这个url爬出来的是什么，然后终于发现了两者的url是不同的，显然文章的页面是异步加载出来(好像是这么叫？？初学俺也不懂)。

而面临这种情况，我脑子里只有分析ajax和用selenium，但我要分析1000页的ajax吗…so我只尝试了selenium，但selenium用谷歌驱动时会直接被搜狗发现是自动化程序，原因好像是有的js文件中包含着驱动文件的名字(经后续其它项目学习中发现有时使用火狐驱动不会被发现)所以这两种方法初步尝试失败

这时我注意到了跳转url的源码有一部分长这样

然后我对比了一下跳转后的最终url就是这一串连起来，我高兴了起来

看到这格式整齐的字符串，一串正则表达式就敲了出来：

至此我们得到了文章的真正url

第五步：从真实url获取想要的文章信息

这里只解析了简单的文章名称、公众号名称，解析方法和查找跳转url那里相同，想获取更多的信息也可以自己再加

第六步：存储到数据库

• 这里因为是字典类型，所以就存储到了MongoDB，也可以选择不用字典存储然后写入别的文件。这里需要配置一下MongoDB和写一下写入的方法

运行

• 此时注意，运行前要先运行代理池，不然无法获取代理ip

• 运行代码及数据库截图如下: