[Python爬虫] 之十五:Selenium +phantomjs根据微信公众号抓取微信文章

时间:2024-02-29 11:26:06

  借助搜索微信搜索引擎进行抓取

  抓取过程

  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。

    

  在抓取过程中用到了pyquery 也可以用xpath

  

  文件保存:

  

 

  完整代码如下:

  

# coding: utf-8
# 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 wx_spider:
def __init__(self,Wechat_PublicID):
\'\'\'
构造函数,借助搜狗微信搜索引擎,根据微信公众号获取微信公众号对应的文章的,发布时间、文章标题, 文章链接, 文章简介等信息
:param Wechat_PublicID: 微信公众号
\'\'\'
self.Wechat_PublicID = Wechat_PublicID
#搜狗引擎链接url
self.sogou_search_url = \'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&s_from=input&_sug_=n&_sug_type_=\' % quote(Wechat_PublicID)

# 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\'}

# 超时时长
self.timeout = 5

# 爬虫模拟在一个request.session中完成
self.session = requests.Session()

# excel 第一行数据
self.excel_headData = [u\'发布时间\', u\'文章标题\', u\'文章链接\', u\'文章简介\']

# 定义excel操作句柄
self.excle_Workbook = Workbook()

def log(self, msg):
\'\'\'
日志函数
:param msg: 日志信息
:return:
\'\'\'
print u\'%s: %s\' % (time.strftime(\'%Y-%m-%d %H-%M-%S\'), msg)

def run(self):

#Step 0 : 创建公众号命名的文件夹
if not os.path.exists(self.Wechat_PublicID):
os.makedirs(self.Wechat_PublicID)

# 第一步 :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.Wechat_PublicID)
self.log(u\'开始调用sougou搜索引擎\')

self.log(u\'搜索地址为:%s\' % self.sogou_search_url)
sougou_search_html = self.session.get(self.sogou_search_url, headers=self.headers, timeout=self.timeout).content

# 第二步:从搜索结果页中解析出公众号主页链接
doc = pq(sougou_search_html)
# 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
wx_url = doc(\'div[class=txt-box]\')(\'p[class=tit]\')(\'a\').attr(\'href\')
self.log(u\'获取wx_url成功,%s\' % wx_url)

# 第三步: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\')
browser = webdriver.PhantomJS()
browser.get(wx_url)
time.sleep(3)
# 执行js得到整个页面内容
selenium_html = browser.execute_script("return document.documentElement.outerHTML")
browser.close()


# 第四步: 检测目标网站是否进行了*
\' 有时候对方会*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 \'
if pq(selenium_html)(\'#verify_change\').text() != \'\':
self.log(u\'爬虫被目标网站*,请稍后再试\')
else:
# 第五步: 使用PyQuery,从第三步获取的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\')
doc = pq(selenium_html)

articles_list = doc(\'div[class="weui_media_box appmsg"]\')
articlesLength = len(articles_list)
self.log(u\'抓取到微信文章%d篇\' % articlesLength)

# 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\')

# 遍历找到的文章,解析里面的内容
if articles_list:
index = 0

# 以当前时间为名字建表
excel_sheet_name = time.strftime(\'%Y-%m-%d\')
excel_content = self.excle_Workbook.add_sheet(excel_sheet_name)
colindex = 0
columnsLength = len(self.excel_headData)
for data in self.excel_headData:
excel_content.write(0, colindex, data)
colindex += 1
for article in articles_list.items():
self.log(\' \' )
self.log(u\'开始整合(%d/%d)\' % (index, articlesLength))
index += 1
# 处理单个文章
# 获取标题
title = article(\'h4[class="weui_media_title"]\').text().strip()
self.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\')
self.log(u\'地址为: %s\' % url)
# 获取概要内容
# summary = article(\'.weui_media_desc\').text()
summary = article(\'p[class="weui_media_desc"]\').text()
self.log(u\'文章简述: %s\' % summary)
# 获取文章发表时间
# date = article(\'.weui_media_extra_info\').text().strip()
date = article(\'p[class="weui_media_extra_info"]\').text().strip()
self.log(u\'发表时间为: %s\' % date)
# # 获取封面图片
# pic = article(\'.weui_media_hd\').attr(\'style\')
#
# p = re.compile(r\'background-image:url(.+)\')
# rs = p.findall(pic)
# if len(rs) > 0:
# p = rs[0].replace(\'(\', \'\')
# p = p.replace(\')\', \'\')
# self.log(u\'封面图片是:%s \' % p)
tempContent = [date, title, url, summary]
for j in range(columnsLength):
excel_content.write(index, j, tempContent[j])

self.excle_Workbook.save(self.Wechat_PublicID + \'/\' + self.Wechat_PublicID + \'.xlsx\')

self.log(u\'保存完成,程序结束\')

if __name__ == \'__main__\':

wx_spider("python6359").run()