Playwright+Bs4爬取微信公众号文章链接

前言

1、由于搜狗搜索只能看到最近十篇文章
2、有找到过从网页端微信获取的，但是我的微信网页端登不上只能放弃
3、还有了解过pywinauto的windows的自动化，但是已经用过playwright，还要花时间去学习
4、找到有利用公众号后台的超链接进行爬取的方法
因此决定使用playwright来解决这个问题

1、playwright录制脚本

首先使用playwright录制脚本，将大概的过程进行录制:
playwright codegen -o wehcet_fetch.py https://mp.weixin.qq.com/
在录制前要想好大概的步骤，以及后面需要进行循环的翻页操作

2、设置循环

由于在后台页面只要在超链接里操作就可以，所以只需要设置：
1、更换公众号名字的循环

2、同一个公众号文章翻页循环

---

通过这两步即将整个的流程处理完成了
下面就是run()函数，传入的参数分别是：

name: 公众号名字列表
all_artical: 储存文章的列表

def run(playwright: Playwright,name,all_artical) -> None:
    browser = playwright.chromium.launch(headless=False)
    context = browser.new_context(accept_downloads=True)
    # Open new page
    page = context.new_page()
    # with page.expect_download() as download_info:
    # Go to https://mp.weixin.qq.com/
    page.goto("https://mp.weixin.qq.com/")

    # Click text=图文消息 文字消息 视频消息 音频消息 图片消息 转载 >> svg
    with page.expect_popup() as popup_info:
        page.click("text=图文消息 文字消息 视频消息 音频消息 图片消息 转载 >> svg")
    page1 = popup_info.value
    # 公众号数量，用来定位all_artical
    num = 0
    # Click text=超链接
    page1.click("text=超链接")
    # 遍历所有名字，分别爬取
    for item in name:
        # 保存在一个列表中的一个列表中
        all_artical.append([])
        # Click text=选择其他公众号
        page1.click("text=选择其他公众号")
        # Click [placeholder="输入文章来源的公众号名称或微信号，回车进行搜索"]
        page1.click("[placeholder=\"输入文章来源的公众号名称或微信号，回车进行搜索\"]")
        # Fill [placeholder="输入文章来源的公众号名称或微信号，回车进行搜索"]
        page1.fill("[placeholder=\"输入文章来源的公众号名称或微信号，回车进行搜索\"]", item)
        # Click [placeholder="输入文章来源的公众号名称或微信号，回车进行搜索"]
        page1.click("[placeholder=\"输入文章来源的公众号名称或微信号，回车进行搜索\"]")
        # Press Enter
        page1.press("[placeholder=\"输入文章来源的公众号名称或微信号，回车进行搜索\"]", "Enter")
        # Click text=阮一峰的网络日志 微信号：ruanyf-blog
        page1.click("text=订阅号")
        time.sleep(3)
        # Click text=下一页
        # 当到最后一页时，没有下一页，退出循环
        while True:
            if page1.is_editable(
                    "#vue_app > div.weui-desktop-link-dialog > div.weui-desktop-dialog__wrp > div > div.weui-desktop-dialog__bd > div.link_dialog_panel > form:nth-child(1) > div:nth-child(4) > div > div > div.weui-desktop-media__list-wrp > div > div"):
                # 获取网页源码，使用bs4分析，提取链接,返回文章数量
                numbers = artical_save(page1, num)
                if numbers<5:
                    break
                else:
                    page1.click("text = 下一页")
                    time.sleep(random.random()*10)
                    continue

这个函数中需要注意的是：
1、大的循环的设定位置在打开超链接之后，点击选择其他公众号之前
2、小的翻页循环设定在搜索公众号之后，循环下一页
3、判断是否到最后一页，由于我目前没有找到可行的方法，只能使用判断最后一页的文章个数小于五来跳出循环，虽然问题很大，但我就赌他最后一页不是五个QAQ。

3、总结

3.1、目前的问题

1、最后一页的判断方法有问题
2、由于微信公众号的限制，导致翻页过快，系统会封禁一段时间，所以需要将翻页时间设定较长时间，但是经过我的实验，在结束第一个60页的公众号后，到第二个还是会出现系统错误的问题，无法翻页，此问题目前还未解决。
3、没有设置自动登录。
4、playwright应该有可以直接获取页面信息的方法，但目前我还没有找到，只能通过BeautifulSoup来分析页面.

最后的完整源码在我的GitHub上，欢迎下载。