通过登录微信个人订阅号爬取微信公众号文章信息

# -*- coding: utf-8 -*-
from lxml import etree

from bs4 import BeautifulSoup
from pymongo import *
from selenium import webdriver
import time
import json
import requests
import re
import random
from pyquery import PyQuery as pq

# 微信公众号账号
user = "******@qq.com"
# 公众号密码
password = "********"
# 设置要爬取的公众号列表
gzlist = ['***','***','***']


# 登录微信公众号,获取登录之后的cookies信息,并保存到本地文本中
def weChat_login():
    # 定义一个空的字典,存放cookies内容
    dic = {}

    # 用webdriver启动谷歌浏览器
    print("启动浏览器,打开微信公众号登录界面")
    # driver = webdriver.Chrome(executable_path='C:\chromedriver.exe')
    driver = webdriver.Chrome()
    # 打开微信公众号登录页面
    driver.get('https://mp.weixin.qq.com/')
    # 等待5秒钟
    time.sleep(5)
    print("正在输入微信公众号登录账号和密码......")
    # 清空账号框中的内容
    driver.find_element_by_name("account").clear()
    # 自动填入登录用户名
    driver.find_element_by_name("account").send_keys(user)
    # 清空密码框中的内容
    driver.find_element_by_name("password").clear()
    # 自动填入登录密码
    driver.find_element_by_name("password").send_keys(password)

    # 在自动输完密码之后需要手动点一下记住我
    print("请在登录界面点击:记住账号")
    time.sleep(10)
    # 自动点击登录按钮进行登录
    driver.find_element_by_class_name("btn_login").click()
    # 拿手机扫二维码!
    print("请拿手机扫码二维码登录公众号")
    time.sleep(20)
    print("登录成功")
    # 重新载入公众号登录页,登录之后会显示公众号后台首页,从这个返回内容中获取cookies信息
    driver.get('https://mp.weixin.qq.com/')
    # 获取cookies
    cookie_items = driver.get_cookies()

    # 获取到的cookies是列表形式,将cookies转成json形式并存入本地名为cookie的文本中
    for cookie_item in cookie_items:
        dic[cookie_item['name']] = cookie_item['value']
    cookie_str = json.dumps(dic)
    with open('cookie.txt', 'w+', encoding='utf-8') as f:
        f.write(cookie_str)
    print("cookies信息已保存到本地")


# 爬取微信公众号文章,并存在mongo中
def get_articles(query):
    # query为要爬取的公众号名称
    # 公众号主页
    url = 'https://mp.weixin.qq.com'
    # 设置headers
    header = {
        "HOST": "mp.weixin.qq.com",
        "User-Agent": "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
        'Connection': 'close'
    }

    # 读取上一步获取到的cookies
    with open('cookie.txt', 'r', encoding='utf-8') as f:
        cookie = f.read()
    cookies = json.loads(cookie)

    # 登录之后的微信公众号首页url变化为:https://mp.weixin.qq.com/cgi-bin/home?t=home/index&lang=zh_CN&token=1849751598,从这里获取token信息
    response = requests.get(url=url, cookies=cookies)
    token = re.findall(r'token=(\d+)', str(response.url))[0]

    # 搜索微信公众号的接口地址
    search_url = 'https://mp.weixin.qq.com/cgi-bin/searchbiz?'
    # 搜索微信公众号接口需要传入的参数,有三个变量:微信公众号token、随机数random、搜索的微信公众号名字
    query_id = {
        'action': 'search_biz',
        'token': token,
        'lang': 'zh_CN',
        'f': 'json',
        'ajax': '1',
        'random': random.random(),
        'query': query,
        'begin': '0',
        'count': '5'
    }
    # 打开搜索微信公众号接口地址,需要传入相关参数信息如:cookies、params、headers
    search_response = requests.get(search_url, cookies=cookies, headers=header, params=query_id)
    # 取搜索结果中的第一个公众号
    lists = search_response.json().get('list')[0]
    # 获取这个公众号的fakeid,后面爬取公众号文章需要此字段
    fakeid = lists.get('fakeid')

    # 微信公众号文章接口地址
    appmsg_url = 'https://mp.weixin.qq.com/cgi-bin/appmsg?'
    # 搜索文章需要传入几个参数:登录的公众号token、要爬取文章的公众号fakeid、随机数random
    query_id_data = {
        'token': token,
        'lang': 'zh_CN',
        'f': 'json',
        'ajax': '1',
        'random': random.random(),
        'action': 'list_ex',
        'begin': '0',  # 不同页,此参数变化,变化规则为每页加5
        'count': '5',
        'query': '',
        'fakeid': fakeid,
        'type': '9'
    }
    # 打开搜索的微信公众号文章列表页
    appmsg_response = requests.get(appmsg_url, cookies=cookies, headers=header, params=query_id_data)
    # 获取文章总数
    max_num = appmsg_response.json().get('app_msg_cnt')
    print('文章总页数:', max_num)
    # 每页至少有5条,获取文章总的页数,爬取时需要分页爬
    num = int(int(max_num) / 5)
    print('num:', num)
    # 起始页begin参数,往后每页加5
    begin = 0
    while num + 1 > 0:
        query_id_data = {
            'token': token,
            'lang': 'zh_CN',
            'f': 'json',
            'ajax': '1',
            'random': random.random(),
            'action': 'list_ex',
            'begin': '{}'.format(str(begin)),
            'count': '5',
            'query': '',
            'fakeid': fakeid,
            'type': '9'
        }
        print('正在翻页:--------------', begin)

        # 获取每一页文章的标题和链接地址,并写入本地文本中
        query_fakeid_response = requests.get(appmsg_url, cookies=cookies, headers=header, params=query_id_data)
        fakeid_list = query_fakeid_response.json().get('app_msg_list')
        print(321, fakeid_list)
        for item in fakeid_list:
            article_dict = {}
            content_link = item.get('link')
            content_title = item.get('title')
            timeStamp = item.get('update_time')
            timeArray = time.localtime(timeStamp)
            date = time.strftime("%Y-%m-%d %H:%M:%S", timeArray)
            content_date = date

            article_dict['title'] = content_title
            # article_dict['url'] = content_link
            article_dict['date'] = content_date
            article_dict['content'] = get_content(content_link)
            article_dict['name'] = query

            try:
                client = MongoClient('your host', 27017)
                # db = client.(your db)
                db = client.(your collection)
                # 过滤已被删除文章
                if article_dict['content'] != 1:
                    db.articles.insert_one(article_dict)

            except Exception as e:
                print(e)

            print(article_dict)
            # return article_dict  # 各爬取一篇文章

            # fileName = query + '.txt'
            # with open(fileName, 'a', encoding='utf-8') as fh:
            #     fh.write(content_title + ":\n" + content_date + "\n"+ content_link + "\n")
        num -= 1
        begin = int(begin)
        begin += 5
        time.sleep(2)
        print('begin======', begin)
        if begin == 10:
            break


def get_content(url):
    # 调用chrome
    driver = webdriver.Chrome()
    # 打开公众号单篇文章页面
    driver.get(url)
    # 等待5秒钟
    time.sleep(5)
    # 拿到渲染后的页面
    html = driver.page_source
    try:
        # 转换页面格式
        selector = etree.HTML(html)
        # 用xpath取出需要的页面部分
        result = selector.xpath('//*[@id="js_content"]')[0]
        # 转为html
        content = etree.tostring(result, method='html')
        # 获取bs4对象
        soup = BeautifulSoup(content, 'html.parser', from_encoding='utf-8')
        new_list = []

        # 通过标签来获取内容
        # ls = soup.find_all(["a", "p", "img", "strong", "span"])
        ls = soup.find_all(["p", "img"])
        print(ls)
        for table in ls:
            res = {}

            data = table.get_text()
            if data:
                # 去除空字符和特殊字符
                new_data = "".join(data.split())
                # pattern = re.compile(r'&(.*?);|\s|  ')
                # new_data = pattern.sub("", data)
                new_data = new_data.replace(u'\ufeff', '')
                if new_data != "":
                    res["text"] = new_data
                    new_list.append(res)

            link = table.get('data-src')
            if link:
                # 上传图片到oss
                kw = {
                    'fileurl': link,
                    'filepath': 'you oss file path'
                }
                result = requests.post(url='you oss url', data=kw)
                result = result.json()
                oss_url = result.get('oss_file_url')
                res["img"] = oss_url
                new_list.append(res)

        print(new_list)
        return new_list
    except Exception as e:
        print(e)
        return 1


if __name__ == '__main__':
    start_time = time.time()
    print('开始时间:', time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(start_time)))
    try:
        # 登录微信公众号,获取登录之后的cookies信息,并保存到本地文本中
        weChat_login()
        # 登录之后,通过微信公众号后台提供的微信公众号文章接口爬取文章
        for query in gzlist:
            # 爬取微信公众号文章,并存在mongo中
            print("开始爬取公众号:" + query)
            get_articles(query)

        print("爬取完成")
        end_time = time.time()
        print('结束时间:', time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(end_time)))
        use_time = end_time - start_time
        print('此次爬取时间:', use_time)
    except Exception as e:
        print(str(e))
Java通过订阅登录爬取微信公众号的过程可以通过以下步骤实现,而无需使用扫码登录CSDN。 首先,我们需要准备一个用于爬取微信公众号的Java开发环境,并导入相关的库和依赖,例如Jsoup等用于解析网页的库。 接下来,我们需要获取到微信公众号订阅登录接口地址。这个地址通常是通过抓包工具或者浏览器开发者工具来查找的,可以搜索订阅登录接口的请求URL,并确保该接口是非扫码登录的。 然后,我们在Java中使用HttpURLConnection或者HttpClient等工具类,发送POST请求到订阅登录接口,并携带订阅的相关登录参数,例如账、密码等。 接下来,我们通过解析登录接口的返回结果,获取到登录成功后的Cookie信息。这些Cookie信息在之后的爬取过程中将会被使用。 然后,我们可以使用带有登录Cookie的HTTP请求,获取到微信公众号主页的HTML内容。这部分可以使用Jsoup等解析HTML的工具来提取所需的数据。 最后,我们可以根据需求,通过解析HTML内容来抓取微信公众号的各类信息,例如文章标题、摘要、发布日期等。 需要注意的是,爬取微信公众号是一种非官方的行为,需要遵循相关的法律法规和道德规范,以及微信公众平台的规定。此外,微信对于非法爬取行为也有一些反爬机制,因此在爬取过程中需要注意一定的策略和技巧,以避免被封禁等问题的发生。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值