一.思路分析
目前所知晓的能够抓取的方法有:
1、微信APP中微信公众号文章链接的直接抓取(http://mp.weixin.qq.com/s?__biz=MjM5MzU4ODk2MA==&mid=2735446906&idx=1&sn=ece37deaba0c8ebb9badf07e5a5a3bd3&scene=0#rd)
2、通过微信合作方搜狗搜索引擎(http://weixin.sogou.com/),发送相应请求来间接抓取
第1种方法中,这种链接不太好获取,而且他的规律不是特别清晰。
因此本文采用的是方法2----通过给 weixin.sogou.com 发送即时请求来实时解析抓取数据并保存到本地。
二.爬取过程
1、首先在搜狗的微信搜索页面测试一下,这样能够让我们的思路更加清晰
在搜索引擎上使用微信公众号英文名进行“搜公众号”操作(因为公众号英文名是公众号唯一的,而中文名可能会有重复,同时公众号名字一定要完全正确,不然可能搜到很多东西,这样我们可以减少数据的筛选工作,只要找到这个唯一英文名对应的那条数据即可),即发送请求到'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&_sug_=n&_sug_type_= ' % 'python',并从页面中解析出搜索结果公众号对应的主页跳转链接。
2.获取主页入口内容
使用request , urllib,urllib2,或者直接使用webdriver+phantomjs等都可以
这里使用的是request.get()的方法获取入口网页内容
-
# 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()
-
#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
3.获取公众号地址
从获取到的网页内容中,得到公众号主页地址, 这一步骤有很多方法, beautifulsoup、webdriver,直接使用正则,pyquery等都可以
这里使用的是pyquery的方法来查找公众号主页入口地址
-
#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')
4.获取公众号主页的文章列表
首先需要加载公众号主页,这里用的是phantomjs+webdriver, 因为这个主页的内容需要JS 渲染加载,采用之前的方法只能获得静态的网页内容
-
#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
得到主页内容之后,获取文章列表,这个文章列表中有我们需要的内容
-
#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
5.解析每一个文章列表,获取我们需要的信息
6.处理对应的内容
包括文章名字,地址,简介,发表时间等
7.保存文章内容
以html的格式保存到本地
同时将上一步骤的内容保存成excel 的格式
8.保存json数据
这样,每一步拆分完,爬取公众号的文章就不是特别难了。
三、源码
第一版源码如下:
-
#!/usr/bin/python
-
# 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
-
class weixin_spider:
-
def __init__(self, kw):
-
' 构造函数 '
-
self.kw = kw
-
# 搜狐微信搜索链接
-
#self.sogou_search_url = 'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&_sug_=n&_sug_type_=' % quote(self.kw)
-
self.sogou_search_url = 'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&s_from=input&_sug_=n&_sug_type_=' % quote(self.kw)
-
# 爬虫伪装
-
self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:47.0) Gecko/20100101 FirePHP/0refox/47.0 FirePHP/0.7.4.1'}
-
# 操作超时时长
-
self.timeout = 5
-
self.s = requests.Session()
-
def get_search_result_by_kw(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
-
def get_wx_url_by_sougou_search_html(self, sougou_search_html):
-
' 根据返回sougou_search_html,从中获取公众号主页链接 '
-
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')
-
def get_selenium_js_html(self, wx_url):
-
' 执行js渲染内容,并返回渲染后的html内容 '
-
browser = webdriver.PhantomJS()
-
browser.get(wx_url)
-
time.sleep(3)
-
# 执行js得到整个dom
-
html = browser.execute_script("return document.documentElement.outerHTML")
-
return html
-
def parse_wx_articles_by_html(self, selenium_html):
-
' 从selenium_html中解析出微信公众号文章 '
-
doc = pq(selenium_html)
-
return doc('div[class="weui_msg_card"]')
-
def switch_arctiles_to_list(self, articles):
-
' 把articles转换成数据字典 '
-
articles_list = []
-
i = 1
-
if articles:
-
for article in articles.items():
-
self.log(u'开始整合(%d/%d)' % (i, len(articles)))
-
articles_list.append(self.parse_one_article(article))
-
i += 1
-
# break
-
return articles_list
-
def parse_one_article(self, article):
-
' 解析单篇文章 '
-
article_dict = {}
-
article = article('.weui_media_box[id]')
-
title = article('h4[class="weui_media_title"]').text()
-
self.log('标题是: %s' % title)
-
url = 'http://mp.weixin.qq.com' + article('h4[class="weui_media_title"]').attr('hrefs')
-
self.log('地址为: %s' % url)
-
summary = article('.weui_media_desc').text()
-
self.log('文章简述: %s' % summary)
-
date = article('.weui_media_extra_info').text()
-
self.log('发表时间为: %s' % date)
-
pic = self.parse_cover_pic(article)
-
content = self.parse_content_by_url(url).html()
-
contentfiletitle=self.kw+'/'+title+'_'+date+'.html'
-
self.save_content_file(contentfiletitle,content)
-
return {
-
'title': title,
-
'url': url,
-
'summary': summary,
-
'date': date,
-
'pic': pic,
-
'content': content
-
}
-
def parse_cover_pic(self, article):
-
' 解析文章封面图片 '
-
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 ''
-
def parse_content_by_url(self, url):
-
' 获取文章详情内容 '
-
page_html = self.get_selenium_js_html(url)
-
return pq(page_html)('#js_content')
-
def save_content_file(self,title,content):
-
' 页面内容写入文件 '
-
with open(title, 'w') as f:
-
f.write(content)
-
def save_file(self, content):
-
' 数据写入文件 '
-
with open(self.kw+'/'+self.kw+'.txt', 'w') as f:
-
f.write(content)
-
def log(self, msg):
-
' 自定义log函数 '
-
print u'%s: %s' % (time.strftime('%Y-%m-%d %H:%M:%S'), msg)
-
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() != ''
-
def create_dir(self):
-
'创建文件夹'
-
if not os.path.exists(self.kw):
-
os.makedirs(self.kw)
-
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.kw)
-
self.log(u'开始调用sougou搜索引擎')
-
sougou_search_html = self.get_search_result_by_kw()
-
# 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
-
if __name__ == '__main__':
-
gongzhonghao=raw_input(u'输入要爬取的公众号')
-
if not gongzhonghao:
-
gongzhonghao='python6359'
-
weixin_spider(gongzhonghao).run()
第二版代码:
对代码进行了一些优化和整改,主要:
1.增加了excel存贮
2.对获取文章内容规则进行修改
3.丰富了注释
本程序已知缺陷: 如果公众号的文章内容包括视视频,可能会报错。
-
#!/usr/bin/python
-
# 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
-
2017-04-12 by Jimy_fengqi
-
'''
-
#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 **
-
** Created on 2017-04-12 **
-
** @author: Jimy _Fengqi **
-
*****************************************
-
'''
-
gongzhonghao=raw_input(u'输入要爬取的公众号')
-
if not gongzhonghao:
-
gongzhonghao='python6359'
-
weixin_spider(gongzhonghao).run()
四、总结
本文涉及到的知识点:
1.requests的get方法
2.爬虫header的设置
3.文件IO操作, 文件夹的创建,文件的创建
4.pyquery的使用,拓展内容beautifsoup的使用
5.phantomjs +webdriver的使用 , 拓展 webdriver 中 xpath方法的使用
6.js 的加载
7.quote的使用
8. time 的使用 系统休眠和获取当前时间,处理时间格式
9.excel 的使用
本文使用的excel 相关包 pyExcelerator
from pyExcelerator import * #导入excel相关包
它的安装方法:
pip install pyExcelerator
10.数据的存贮
11.正则表达式的使用
12.json的使用
13. 打印log 的变换方法