主页> 常见问题> python爬虫(17)爬出新高度_抓取微信公众号文章

python爬虫(17)爬出新高度_抓取微信公众号文章

阅读: 常见问题

前两天在linux 上面写了一版爬取微信公众号的文章

13_python爬虫——爬出新高度_抓取微信公众号文章(selenium+phantomjs)(上)

今天重新修改一下,让它在windows上面也能运行


运行下面的代码需要安装以下内容:

pip install pyquery
pip install requests
pip install selenium  
pip install pyExcelerator
pip install json
同时需要下载 phantomjs-2.1.1-windows

将里面的 phantomjs.exe 放到 Script 目录下

关于   phantomjs,参照 

10_python爬虫——获取淘宝MM个人信息及照片(3)(windows版本)
整体代码如下:


#!/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
2017-04-13 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(u'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(executable_path=r'D:Python2.7Scriptsphantomjs.exe') 
		
		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")
		browser.close()
		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 u'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().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()
		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()
		self.log(u'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( u'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)
			
			'''
			json 数据,需要分析json数据的可以把这些注释打开
			# 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 u'''
			************************************************** 
			**    Welcome to Spider of weixin gongzhonghao  ** 
			**         Created on 2017-04-13                ** 
			**         @author: Jimy _Fengqi                ** 
			**************************************************
	'''
	prompt=u'Please input weixin_gongzhonghao that you find:'
	gongzhonghao=raw_input(prompt)
	if not gongzhonghao:
		gongzhonghao=u'DataBureau'
	weixin_spider(gongzhonghao).run()
	



附上一份可以直接运行的 exe 程序

传送门地址: http://download.csdn.net/detail/qiqiyingse/9813168



【温馨提示】倡导尊重与保护知识产权。如发现本站文章存在版权问题,烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至55506560@qq.com ,我们将及时处理。本站文章仅作分享交流用途,作者观点不等同于本站观点。用户与作者的任何交易与本站无关,请知悉。

客服
套餐咨询,操作答疑等
在线客服