python爬蟲(17)爬出新高度_抓取微信公眾號文章(selenium+phantomjs)(上)
抓取微信公眾號的文章
一.思路分析
目前所知曉的能夠抓取的方法有:
1、微信APP中微信公眾號文章連結的直接抓取(http://mp.weixin.qq.com/s?__biz=MjM5MzU4ODk2MA==&mid=2735446906&idx=1&sn=ece37deaba0c8ebb9badf07e5a5a3bd3&scene=0#rd)
2、通過微信合作方搜狗搜尋引擎(http://weixin.sogou.com/),傳送相應請求來間接抓取
第1種方法中,這種連結不太好獲取,而且他的規律不是特別清晰。
因此本文采用的是方法2----通過給 weixin.sogou.com 傳送即時請求來實時解析抓取資料並儲存到本地。
二.爬取過程
1、首先在搜狗的微信搜尋頁面測試一下,這樣能夠讓我們的思路更加清晰
在搜尋引擎上使用微信公眾號英文名進行“搜公眾號”操作(因為公眾號英文名是公眾號唯一的,而中文名可能會有重複,同時公眾號名字一定要完全正確,不然可能搜到很多東西,這樣我們可以減少資料的篩選工作,只要找到這個唯一英文名對應的那條資料即可),即傳送請求到'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&_sug_=n&_sug_type_= ' % 'python',並從頁面中解析出搜尋結果公眾號對應的主頁跳轉連結。
2.獲取主頁入口內容
使用request , urllib,urllib2,或者直接使用webdriver+phantomjs等都可以
這裡使用的是request.get()的方法獲取入口網頁內容
# 爬蟲偽裝頭部設定
self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:51.0) Gecko/20100101 Firefox/51.0'}
# 設定操作超時時長
self.timeout = 5
# 爬蟲模擬在一個request.session中完成
self.s = requests.Session()
#搜尋入口地址,以公眾為關鍵字搜尋該公眾號 def get_search_result_by_keywords(self): self.log('搜尋地址為:%s' % self.sogou_search_url) return self.s.get(self.sogou_search_url, headers=self.headers, timeout=self.timeout).content
3.獲取公眾號地址
從獲取到的網頁內容中,得到公眾號主頁地址, 這一步驟有很多方法, beautifulsoup、webdriver,直接使用正則,pyquery等都可以
這裡使用的是pyquery的方法來查詢公眾號主頁入口地址
#獲得公眾號主頁地址
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')
#通過pyquery的方式處理網頁內容,類似用beautifulsoup,但是pyquery和jQuery的方法類似,找到公眾號主頁地址
return doc('div[class=txt-box]')('p[class=tit]')('a').attr('href')
4.獲取公眾號主頁的文章列表
首先需要載入公眾號主頁,這裡用的是phantomjs+webdriver, 因為這個主頁的內容需要JS 渲染載入,採用之前的方法只能獲得靜態的網頁內容
#使用webdriver 載入公眾號主頁內容,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)
# 執行js得到整個頁面內容
html = browser.execute_script("return document.documentElement.outerHTML")
return html
得到主頁內容之後,獲取文章列表,這個文章列表中有我們需要的內容
#獲取公眾號文章內容
def parse_wx_articles_by_html(self, selenium_html):
doc = pq(selenium_html)
print '開始查詢內容msg'
return doc('div[class="weui_media_box appmsg"]')
#有的公眾號僅僅有10篇文章,有的可能多一點
#return doc('div[class="weui_msg_card"]')#公眾號只有10篇文章文章的
5.解析每一個文章列表,獲取我們需要的資訊
6.處理對應的內容
包括文章名字,地址,簡介,發表時間等
7.儲存文章內容
以html的格式儲存到本地
同時將上一步驟的內容儲存成excel 的格式
8.儲存json資料
這樣,每一步拆分完,爬取公眾號的文章就不是特別難了。
三、原始碼
第一版原始碼如下:
#!/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):
' 建構函式 '
self.kw = kw
# 搜狐微信搜尋連結
#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)
# 爬蟲偽裝
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'}
# 操作超時時長
self.timeout = 5
self.s = requests.Session()
def get_search_result_by_kw(self):
self.log('搜尋地址為:%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):
' 根據返回sougou_search_html,從中獲取公眾號主頁連結 '
doc = pq(sougou_search_html)
#print doc('p[class="tit"]')('a').attr('href')
#print doc('div[class=img-box]')('a').attr('href')
#通過pyquery的方式處理網頁內容,類似用beautifulsoup,但是pyquery和jQuery的方法類似,找到公眾號主頁地址
return doc('div[class=txt-box]')('p[class=tit]')('a').attr('href')
def get_selenium_js_html(self, wx_url):
' 執行js渲染內容,並返回渲染後的html內容 '
browser = webdriver.PhantomJS()
browser.get(wx_url)
time.sleep(3)
# 執行js得到整個dom
html = browser.execute_script("return document.documentElement.outerHTML")
return html
def parse_wx_articles_by_html(self, selenium_html):
' 從selenium_html中解析出微信公眾號文章 '
doc = pq(selenium_html)
return doc('div[class="weui_msg_card"]')
def switch_arctiles_to_list(self, articles):
' 把articles轉換成資料字典 '
articles_list = []
i = 1
if articles:
for article in articles.items():
self.log(u'開始整合(%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):
' 解析單篇文章 '
article_dict = {}
article = article('.weui_media_box[id]')
title = article('h4[class="weui_media_title"]').text()
self.log('標題是: %s' % title)
url = 'http://mp.weixin.qq.com' + article('h4[class="weui_media_title"]').attr('hrefs')
self.log('地址為: %s' % url)
summary = article('.weui_media_desc').text()
self.log('文章簡述: %s' % summary)
date = article('.weui_media_extra_info').text()
self.log('發表時間為: %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):
' 解析文章封面圖片 '
pic = article('.weui_media_hd').attr('style')
p = re.compile(r'background-image:url\((.*?)\)')
rs = p.findall(pic)
self.log( '封面圖片是:%s ' % rs[0] if len(rs) > 0 else '')
return rs[0] if len(rs) > 0 else ''
def parse_content_by_url(self, url):
' 獲取文章詳情內容 '
page_html = self.get_selenium_js_html(url)
return pq(page_html)('#js_content')
def save_content_file(self,title,content):
' 頁面內容寫入檔案 '
with open(title, 'w') as f:
f.write(content)
def save_file(self, content):
' 資料寫入檔案 '
with open(self.kw+'/'+self.kw+'.txt', 'w') as f:
f.write(content)
def log(self, msg):
' 自定義log函式 '
print u'%s: %s' % (time.strftime('%Y-%m-%d %H:%M:%S'), msg)
def need_verify(self, selenium_html):
' 有時候對方會封鎖ip,這裡做一下判斷,檢測html中是否包含id=verify_change的標籤,有的話,代表被重定向了,提醒過一陣子重試 '
return pq(selenium_html)('#verify_change').text() != ''
def create_dir(self):
'建立資料夾'
if not os.path.exists(self.kw):
os.makedirs(self.kw)
def run(self):
' 爬蟲入口函式 '
#Step 0 : 建立公眾號命名的資料夾
self.create_dir()
# Step 1:GET請求到搜狗微信引擎,以微信公眾號英文名稱作為查詢關鍵字
self.log(u'開始獲取,微信公眾號英文名為:%s' % self.kw)
self.log(u'開始呼叫sougou搜尋引擎')
sougou_search_html = self.get_search_result_by_kw()
# Step 2:從搜尋結果頁中解析出公眾號主頁連結
self.log(u'獲取sougou_search_html成功,開始抓取公眾號對應的主頁wx_url')
wx_url = self.get_wx_url_by_sougou_search_html(sougou_search_html)
self.log(u'獲取wx_url成功,%s' % wx_url)
# Step 3:Selenium+PhantomJs獲取js非同步載入渲染後的html
self.log(u'開始呼叫selenium渲染html')
selenium_html = self.get_selenium_js_html(wx_url)
# Step 4: 檢測目標網站是否進行了封鎖
if self.need_verify(selenium_html):
self.log(u'爬蟲被目標網站封鎖,請稍後再試')
else:
# Step 5: 使用PyQuery,從Step 3獲取的html中解析出公眾號文章列表的資料
self.log(u'呼叫selenium渲染html完成,開始解析公眾號文章')
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: 把微信文章資料封裝成字典的list
self.log(u'開始整合微信文章資料為字典')
articles_list = self.switch_arctiles_to_list(articles)
# Step 7: 把Step 5的字典list轉換為Json
self.log(u'整合完成,開始轉換為json')
data_json = json.dumps(articles_list)
# Step 8: 寫檔案
self.log(u'轉換為json完成,開始儲存json資料到檔案')
self.save_file(data_json)
self.log(u'儲存完成,程式結束')
# main
if __name__ == '__main__':
gongzhonghao=raw_input(u'輸入要爬取的公眾號')
if not gongzhonghao:
gongzhonghao='python6359'
weixin_spider(gongzhonghao).run()
第二版程式碼:
對程式碼進行了一些優化和整改,主要:
1.增加了excel存貯
2.對獲取文章內容規則進行修改
3.豐富了註釋
本程式已知缺陷: 如果公眾號的文章內容包括視視訊,可能會報錯。
#!/usr/bin/python
# coding: utf-8
'''
總的來說就是通過搜狗搜尋中的微信搜尋入口來爬取
2017-04-12 by Jimy_fengqi
'''
#這三行程式碼是防止在python2上面編碼錯誤的,在python3上面不要要這樣設定
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 * #匯入excel相關包
import requests
import time
import re
import json
import os
class weixin_spider:
def __init__(self, keywords):
' 建構函式 '
self.keywords = keywords
# 搜狐微信搜尋連結入口
#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)
# 爬蟲偽裝頭部設定
self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:51.0) Gecko/20100101 Firefox/51.0'}
# 設定操作超時時長
self.timeout = 5
# 爬蟲模擬在一個request.session中完成
self.s = requests.Session()
#excel 第一行資料
self.excel_data=[u'編號',u'時間',u'文章標題',u'文章地址',u'文章簡介']
#定義excel操作控制代碼
self.excle_w=Workbook()
#搜尋入口地址,以公眾為關鍵字搜尋該公眾號
def get_search_result_by_keywords(self):
self.log('搜尋地址為:%s' % self.sogou_search_url)
return self.s.get(self.sogou_search_url, headers=self.headers, timeout=self.timeout).content
#獲得公眾號主頁地址
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')
#通過pyquery的方式處理網頁內容,類似用beautifulsoup,但是pyquery和jQuery的方法類似,找到公眾號主頁地址
return doc('div[class=txt-box]')('p[class=tit]')('a').attr('href')
#使用webdriver 載入公眾號主頁內容,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)
# 執行js得到整個頁面內容
html = browser.execute_script("return document.documentElement.outerHTML")
return html
#獲取公眾號文章內容
def parse_wx_articles_by_html(self, selenium_html):
doc = pq(selenium_html)
print '開始查詢內容msg'
return doc('div[class="weui_media_box appmsg"]')
#有的公眾號僅僅有10篇文章,有的可能多一點
#return doc('div[class="weui_msg_card"]')#公眾號只有10篇文章文章的
#將獲取到的文章轉換為字典
def switch_arctiles_to_list(self, articles):
#定義存貯變數
articles_list = []
i = 1
#以當前時間為名字建表
excel_sheet_name=time.strftime('%Y-%m-%d')
excel_content=self.excle_w.add_sheet(excel_sheet_name)
#遍歷找到的文章,解析裡面的內容
if articles:
for article in articles.items():
self.log(u'開始整合(%d/%d)' % (i, len(articles)))
#處理單個文章
articles_list.append(self.parse_one_article(article,i,excel_content))
i += 1
return articles_list
#解析單篇文章
def parse_one_article(self, article,i,excel_content):
article_dict = {}
#獲取標題
title = article('h4[class="weui_media_title"]').text()
self.log('標題是: %s' % title)
#獲取標題對應的地址
url = 'http://mp.weixin.qq.com' + article('h4[class="weui_media_title"]').attr('hrefs')
self.log('地址為: %s' % url)
#獲取概要內容
summary = article('.weui_media_desc').text()
self.log('文章簡述: %s' % summary)
#獲取文章發表時間
date = article('.weui_media_extra_info').text()
self.log('發表時間為: %s' % date)
#獲取封面圖片
pic = self.parse_cover_pic(article)
#獲取文章內容
content = self.parse_content_by_url(url).html()
#儲存文章到本地
contentfiletitle=self.keywords+'/'+title+'_'+date+'.html'
self.save_content_file(contentfiletitle,content)
#將這些簡單的資訊儲存成excel資料
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')
#返回字典資料
return {
'title': title,
'url': url,
'summary': summary,
'date': date,
'pic': pic,
'content': content
}
#查詢封面圖片,獲取封面圖片地址
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( '封面圖片是:%s ' % rs[0] if len(rs) > 0 else '')
return rs[0] if len(rs) > 0 else ''
#獲取文章頁面詳情
def parse_content_by_url(self, url):
page_html = self.get_selenium_js_html(url)
return pq(page_html)('#js_content')
#儲存文章到本地
def save_content_file(self,title,content):
with open(title, 'w') as f:
f.write(content)
#存貯json資料到本地
def save_file(self, content):
' 資料寫入檔案 '
with open(self.keywords+'/'+self.keywords+'.txt', 'w') as f:
f.write(content)
#自定義log函式,主要是加上時間
def log(self, msg):
print u'%s: %s' % (time.strftime('%Y-%m-%d %H:%M:%S'), msg)
#驗證函式
def need_verify(self, selenium_html):
' 有時候對方會封鎖ip,這裡做一下判斷,檢測html中是否包含id=verify_change的標籤,有的話,代表被重定向了,提醒過一陣子重試 '
return pq(selenium_html)('#verify_change').text() != ''
#建立公眾號命名的資料夾
def create_dir(self):
if not os.path.exists(self.keywords):
os.makedirs(self.keywords)
#爬蟲主函式
def run(self):
' 爬蟲入口函式 '
#Step 0 : 建立公眾號命名的資料夾
self.create_dir()
# Step 1:GET請求到搜狗微信引擎,以微信公眾號英文名稱作為查詢關鍵字
self.log(u'開始獲取,微信公眾號英文名為:%s' % self.keywords)
self.log(u'開始呼叫sougou搜尋引擎')
sougou_search_html = self.get_search_result_by_keywords()
# Step 2:從搜尋結果頁中解析出公眾號主頁連結
self.log(u'獲取sougou_search_html成功,開始抓取公眾號對應的主頁wx_url')
wx_url = self.get_wx_url_by_sougou_search_html(sougou_search_html)
self.log(u'獲取wx_url成功,%s' % wx_url)
# Step 3:Selenium+PhantomJs獲取js非同步載入渲染後的html
self.log(u'開始呼叫selenium渲染html')
selenium_html = self.get_selenium_js_html(wx_url)
# Step 4: 檢測目標網站是否進行了封鎖
if self.need_verify(selenium_html):
self.log(u'爬蟲被目標網站封鎖,請稍後再試')
else:
# Step 5: 使用PyQuery,從Step 3獲取的html中解析出公眾號文章列表的資料
self.log(u'呼叫selenium渲染html完成,開始解析公眾號文章')
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: 把微信文章資料封裝成字典的list
self.log(u'開始整合微信文章資料為字典')
articles_list = self.switch_arctiles_to_list(articles)
# Step 7: 把Step 5的字典list轉換為Json
self.log(u'整合完成,開始轉換為json')
data_json = json.dumps(articles_list)
# Step 8: 寫檔案
self.log(u'轉換為json完成,開始儲存json資料到檔案')
self.save_file(data_json)
self.log(u'儲存完成,程式結束')
# main
#幾個可供參考的公眾號
#DataBureau
#python6359
#ArchNotes
if __name__ == '__main__':
print '''
*****************************************
** Welcome to Spider of 公眾號 **
** Created on 2017-04-12 **
** @author: Jimy _Fengqi **
*****************************************
'''
gongzhonghao=raw_input(u'輸入要爬取的公眾號')
if not gongzhonghao:
gongzhonghao='python6359'
weixin_spider(gongzhonghao).run()
四、總結
本文涉及到的知識點:
1.requests的get方法
2.爬蟲header的設定
3.檔案IO操作, 資料夾的建立,檔案的建立
4.pyquery的使用,拓展內容beautifsoup的使用
5.phantomjs +webdriver的使用 , 拓展 webdriver 中 xpath方法的使用
6.js 的載入
7.quote的使用
8. time 的使用 系統休眠和獲取當前時間,處理時間格式
9.excel 的使用
本文使用的excel 相關包 pyExcelerator
from pyExcelerator import * #匯入excel相關包
它的安裝方法:
pip install pyExcelerator
10.資料的存貯
11.正則表示式的使用
12.json的使用
13. 列印log 的變換方法