1. 程式人生 > >python爬蟲(17)爬出新高度_抓取微信公眾號文章(selenium+phantomjs)(上)

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