Python爬取微信公众号文章（一）(图)

　　Python爬取微信公众号文章（一）(图)

　　Python抓取微信公众号文章

　　我最近正在从事自己的项目。它涉及文章，需要通过python抓取微信官方帐户。由于微信的独特方法，因此无法直接对其进行爬网。我研究了一些文章并且可能有想法，并且在Internet上找不到解决方案没有问题，但是由于某些第三方库的更改，内部的代码基本上无法使用。本文文章是为需要抓取官方帐户文章，文章的朋友而写的。最后，还将提供python源代码下载。

　　如何抓取官方帐户

　　有两种主要的方法来爬取官方帐户。一种是通过搜狗搜索微信公众号页面，找到文章地址，然后抓取具体的文章内容；第二种是注册官方帐户，然后通过官方帐户的搜索界面找到文章的地址，然后根据该地址抓取文章的内容。

　　这两种解决方案各有优缺点。使用搜狗搜索的核心思想是通过请求模拟搜狗搜索官方账号，然后解析搜索结果页面，然后根据官方账号首页地址进行抓取，以抓取文章详细信息，但是您需要请注意，由于搜狗与腾讯之间的协议，只能显示最新的10个文章，而无法获取所有的文章。如果您想结识文章的所有朋友，则可能必须使用第二种方法。第二种方法的缺点是您必须注册一个官方帐户才能通过腾讯身份验证。这个过程比较麻烦。您可以通过调用官方帐户来查询界面，但是您需要使用硒来模拟滑动页面的操作。整个过程还是很麻烦的。因为我的项目不需要历史记录文章，所以我使用搜狗搜索来执行爬取官方帐户的功能。

　　检索最近10个正式帐户文章

　　python需要依赖的第三方库如下：

　　urllib，pyquery，请求，硒

　　具体逻辑写在注释中，没有什么特别复杂的。

　　爬虫核心课程

　　#!/usr/bin/python

# coding: utf-8

import sys

reload(sys)

sys.setdefaultencoding('utf-8')

from urllib import quote

from pyquery import PyQuery as pq

import requests

import time

import re

import os

from selenium.webdriver import Chrome

from selenium.webdriver.firefox.options import Options

from selenium.webdriver.support.wait import WebDriverWait

# 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):

options = Options()

options.add_argument('-headless') # 无头参数

driver = Chrome(executable_path='chromedriver', chrome_options=options)

wait = WebDriverWait(driver, timeout=10)

driver.get(url)

time.sleep(3)

# 执行js得到整个页面内容

html = driver.execute_script("return document.documentElement.outerHTML")

driver.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]

　　主要输入功能：

　　# coding: utf8

import spider_weixun_by_sogou

if __name__ == '__main__':

gongzhonghao = raw_input(u'input weixin gongzhonghao:')

if not gongzhonghao:

gongzhonghao = 'spider'

text = " ".join(spider_weixun_by_sogou.run(gongzhonghao))

print text

　　直接运行main方法，然后在控制台中输入要爬升的正式帐户的英文名称。中文搜索可能有多个。我们在这里所做的是仅搜索一个。检查官方帐户的英语帐户，只要它在手机上即可。单击官方帐户并查看官方帐户信息，可以看到以下爬网程序结果已爬到文章的相关信息，并且可以通过在代码中调用webdriver.py来爬网文章的特定内容。

　　！[截屏2018-08-30 1 7. 5 6. 09]（2018-08-30 1 7. 5 6. 0 9. png）

　　爬行官方帐户的注意事项

　　PhantomJS的硒支持已被弃用，请改用无头版本的Chrome或Firefox警告。warn（'PhantomJS的硒支持已弃用，请使用无头'

　　Internet上的许多文章仍在使用PhantomJS。实际上，Selenium自去年以来就不支持PhantomJS。现在，如果您使用Selenium初始化浏览器，则需要使用webdriver来初始化没有head参数的Chrome或Firefox驱动程序。

　　有关详细信息，请参阅官方网站链接：

　　无法连接到服务chromedriver ／ firefoxdriver

　　我在开发过程中遇到了这个问题。对于此问题，通常有两种可能性。一种是未配置chromedriver或geckodriver的环境变量。在这里，您需要注意chromedriver或geckodriver文件的环境变量，必须将它们配置为PATH或直接将这两个文件直接复制到/ usr / bin目录；

　　还有另一种可能是未配置主机。如果发现此问题，请检查您的主机文件是否未配置12 7. 0. 0. 1本地主机，只需对其进行配置。

　　这里要注意的另一件事是，如果您使用chrome浏览器，则还应注意chrome浏览器版本与chromedriver之间的对应关系。您可以在此文章中进行检查，也可以访问Google官方网站检查最新的信件。关系。

<p>反水