侯体宗的博客
  • 首页
  • Hyperf版
  • beego仿版
  • 人生(杂谈)
  • 技术
  • 关于我
  • 更多分类
    • 文件下载
    • 文字修仙
    • 中国象棋ai
    • 群聊
    • 九宫格抽奖
    • 拼图
    • 消消乐
    • 相册

python爬取微信公众号文章的方法

Python  /  管理员 发布于 7年前   159

最近在学习Python3网络爬虫开发实践(崔庆才 著)刚好也学习到他使用代理爬取公众号文章这里,但是照着他的代码写,出现了一些问题。在这里我用到了这本书的前面讲的一些内容进行了完善。(作者写这个代码已经是半年前的事了,但腾讯的网站在这半年前进行了更新)

下面我直接上代码:

TIMEOUT = 20from requests import Request, Session, PreparedRequestimport requestsfrom selenium import webdriverfrom selenium.common.exceptions import NoSuchElementExceptionfrom bs4 import BeautifulSoup as bsimport pymysql # 要爬取的内容keyword = '美女图片'options = webdriver.ChromeOptions()# 设置中文options.add_argument('lang=zh_CN.UTF-8')# 更换头部options.add_argument( 'user-agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36"')browser = webdriver.Chrome(chrome_options=options)REDIS_HOST = '192.168.1.248'REDIS_PORT = 6379REDIS_PASSWORD = '*****'REDIS_KEY = 'requests'PROXY_POOL_URL = 'http://127.0.0.1:8080/random'MAX_FAILED_TIME = 5 MYSQL_HOST = 'localhost'MYSQL_PORT = 3306MYSQL_USER = 'moxiao'MYSQL_PASSWORD = '******'  class mysqlConn(): def __init__(self, host=MYSQL_HOST, username=MYSQL_USER, password=MYSQL_PASSWORD, port=MYSQL_PORT):  """  mysql 初始化  :param host:  :param username:  :param password:  :param port:  """  try:   self.db = pymysql.Connection(host=host, user=username, password=password,           database='weixin_data', port=port)   self.cursor = self.db.cursor()  except pymysql.MySQLError as e:   print(e.args)  def insert(self, table, data):  keys = ', '.join(data.keys())  values = ', '.join(['%s'] * len(data))  sql = 'insert into %s (%s) values (%s)' % (table, keys, values)  try:   self.cursor.execute(sql, tuple(data.values()))   self.db.commit()  except pymysql.MySQLError as e:   print(e.args)   self.db.rollback()  class WeixinRequest(Request): def __init__(self, url, callback, method="GET", headers=None, need_proxy=False, fail_time=0, timeout=TIMEOUT):  super(WeixinRequest, self).__init__(url=url, method=method, headers=headers)  self.callback = callback  self.need_proxy = need_proxy  self.fail_time = fail_time  self.timeout = timeout  def prepare(self):  p = PreparedRequest()  p.prepare(   method=self.method,   url=self.url,   headers=self.headers,  )  return p  class WeixinResponse():  def __init__(self, text):  self.text = text  def set_status_code(self, status_code):  self.status_code = status_code  import picklefrom redis import StrictRedis  class RedisQueue(): def __init__(self):  """   初始化redis  """  self.db = StrictRedis(host=REDIS_HOST, port=REDIS_PORT, password=REDIS_PASSWORD, db=3)  def add(self, request):  """   向队列添加序列化后的Request  :param request:请求对象  :return:添加结果  """  if isinstance(request, WeixinRequest):   return self.db.rpush(REDIS_KEY, pickle.dumps(request))  return False  def pop(self):  """   取出下一个request并反序列化  :return: Request 或者 None  """  if self.db.llen(REDIS_KEY):   return pickle.loads(self.db.lpop(REDIS_KEY))  return False  def empty(self):  return self.db.llen(REDIS_KEY) == 0  def del_all(self):  return self.db.delete(REDIS_KEY)  def get_proxy(self):  """   从代理池获取代理IP  :return:  """  try:   response = requests.get(PROXY_POOL_URL)   if response.status_code == 200:    print('get Proxy', response.text)    return response.text  except requests.ConnectionError:   return None  from urllib.parse import urlencodefrom requests import ReadTimeout, ConnectionErrorfrom pyquery import PyQuery as pq VALD_STATUES = [200]  class Spider(): base_url = 'http://weixin.sogou.com/weixin?' # 这里的page可以修改,即第几页,我本来想获取所有的个数再除以10 这样就能爬完了,但是我只是测试所以这里并没有做 # 但如果需要做可以加到schedule方法的while循环内的最下面 即self.params['page']+=1 params = {'type': 2, 's_from': 'input', 'query': keyword, 'page': 1, 'ie': 'utf8', '_sug_': 'n',    '_sug_type_': ''} headers = {'Host': 'weixin.sogou.com',    'Connection': 'keep-alive',    'Cache-Control': 'max-age=0',    'Upgrade-Insecure-Requests': '1',    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',    'Accept-Encoding': 'gzip, deflate',    'Accept-Language': 'zh-CN,zh;q=0.9',    'Referer': 'http: // weixin.sogou.com /',    'Cookie': '你的cookie'} # TODO 不可能把我的给你撒 session = Session() queue = RedisQueue() queue.del_all() mysql = mysqlConn()  def start(self):  """   初始化工作  :return:  """  # 全局更新headers  # 如果你试过用这个方法修改headers,那么就知道这个在这里好像没什么用,我在这里浪费了至少两个小时  self.session.headers.update(self.headers)  start_url = self.base_url + urlencode(self.params)  # 这里我将need_proxy=False设为了False 即并没有使用代理 ps:我也就是测试一下  # 真正修改了headers是在这里  weixin_request = WeixinRequest(url=start_url, callback=self.parse_index, headers=self.headers, need_proxy=False)  # 调度第一个请求  self.queue.add(weixin_request)  def schedule(self):  """   调度请求  :return:  """  while not self.queue.empty():   weixin_request = self.queue.pop()   callback = weixin_request.callback   print('Schedule', weixin_request.url)   response = self.request(weixin_request)   if response and response.status_code in VALD_STATUES:    results = list(callback(response))    if results:     for result in results:      print('New Result', result)      if isinstance(result, WeixinRequest):       # 将新的文章详情的url也加入队列       self.queue.add(result)      if isinstance(result, dict):       # 储存到mysql       self.mysql.insert('articles', result)    else:     self.error(weixin_request)   else:    self.error(weixin_request)  def request(self, weixin_request):  """   执行请求  :param weixin_request:请求  :return: 响应  """  if not 'http://mp.weixin.qq.com/s?src' in weixin_request.url:   try:    if weixin_request.need_proxy:     proxy = self.queue.get_proxy()     if proxy:      proxies = {       'http': 'http://' + proxy,       'https': 'https://' + proxy      }      return self.session.send(weixin_request.prepare(), timeout=weixin_request.timeout, allow_redirects=False, proxies=proxies)    return self.session.send(weixin_request.prepare(), timeout=weixin_request.timeout,           allow_redirects=False)   except (ConnectionError, ReadTimeout) as e:    print(e.args)    return False  else:   print('-' * 20)   browser.get(weixin_request.url)   try:    browser.find_element_by_class_name('rich_media_area_primary_inner')    wr = WeixinResponse(browser.page_source)    wr.set_status_code(200)    return wr   except NoSuchElementException:    wr = WeixinResponse('')    wr.set_status_code(403)    return wr  def parse_index(self, response):  """   解析索引页  :param response: 响应  :return: 新的响应  """  doc = pq(response.text)  items = doc('.news-box .news-list li .txt-box h3 a').items()  for item in items:   url = item.attr('href')   weixin_request = WeixinRequest(url=url, callback=self.parse_detail)   yield weixin_request  def parse_detail(self, response):  """   解析详情页  :param response: 响应  :return: 微信公众号文章  """  doc = pq(response.text)  profile_inner = doc('.profile_inner')  data = {   'title': doc('.rich_media_title').text(),   'content': doc('.rich_media_content').text(),   'date': doc('#publish_time').text(),   # 'nickname':doc('#js_profile_qrcode > div > strong').text(),   'nickname': profile_inner.find('.profile_nickname').text(),   'wechat':    [ns for ns in profile_inner.find('.profile_meta').find('.profile_meta_value').items()][     0].text()  }  # 储存图片  print('#' * 30)  soup = bs(response.text)  wn = soup.find_all('img')  for img in wn:   if img.has_attr('_width') and img.has_attr('data-src'):    print(img.attrs['data-src'])  yield data  def error(self, weixin_request):  """   错误处理  :param weixin_request:请求  :return:  """  weixin_request.fail_time = weixin_request.fail_time + 1  print('Request Failed', weixin_request.fail_time, 'Times', weixin_request.url)  if weixin_request.fail_time < MAX_FAILED_TIME:   self.queue.add(weixin_request)  def run(self):  self.start()  self.schedule()  if __name__ == '__main__': spider = Spider() spider.run()

2018-10-6更新:

今天测试之后使用了cookie并不能登录这个网站了,也许是腾讯使用了新的安全验证,具体也无从得知,但使用浏览器访问没有问题

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。


  • 上一条:
    Python实现读取txt文件中的数据并绘制出图形操作示例
    下一条:
    python下载微信公众号相关文章
  • 昵称:

    邮箱:

    0条评论 (评论内容有缓存机制,请悉知!)
    最新最热
    • 分类目录
    • 人生(杂谈)
    • 技术
    • linux
    • Java
    • php
    • 框架(架构)
    • 前端
    • ThinkPHP
    • 数据库
    • 微信(小程序)
    • Laravel
    • Redis
    • Docker
    • Go
    • swoole
    • Windows
    • Python
    • 苹果(mac/ios)
    • 相关文章
    • 在python语言中Flask框架的学习及简单功能示例(0个评论)
    • 在Python语言中实现GUI全屏倒计时代码示例(0个评论)
    • Python + zipfile库实现zip文件解压自动化脚本示例(0个评论)
    • python爬虫BeautifulSoup快速抓取网站图片(1个评论)
    • vscode 配置 python3开发环境的方法(0个评论)
    • 近期文章
    • 智能合约Solidity学习CryptoZombie第三课:组建僵尸军队(高级Solidity理论)(0个评论)
    • 智能合约Solidity学习CryptoZombie第二课:让你的僵尸猎食(0个评论)
    • 智能合约Solidity学习CryptoZombie第一课:生成一只你的僵尸(0个评论)
    • 在go中实现一个常用的先进先出的缓存淘汰算法示例代码(0个评论)
    • 在go+gin中使用"github.com/skip2/go-qrcode"实现url转二维码功能(0个评论)
    • 在go语言中使用api.geonames.org接口实现根据国际邮政编码获取地址信息功能(1个评论)
    • 在go语言中使用github.com/signintech/gopdf实现生成pdf分页文件功能(0个评论)
    • gmail发邮件报错:534 5.7.9 Application-specific password required...解决方案(0个评论)
    • 欧盟关于强迫劳动的规定的官方举报渠道及官方举报网站(0个评论)
    • 在go语言中使用github.com/signintech/gopdf实现生成pdf文件功能(0个评论)
    • 近期评论
    • 122 在

      学历:一种延缓就业设计,生活需求下的权衡之选中评论 工作几年后,报名考研了,到现在还没认真学习备考,迷茫中。作为一名北漂互联网打工人..
    • 123 在

      Clash for Windows作者删库跑路了,github已404中评论 按理说只要你在国内,所有的流量进出都在监控范围内,不管你怎么隐藏也没用,想搞你分..
    • 原梓番博客 在

      在Laravel框架中使用模型Model分表最简单的方法中评论 好久好久都没看友情链接申请了,今天刚看,已经添加。..
    • 博主 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 @1111老铁这个不行了,可以看看近期评论的其他文章..
    • 1111 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 网站不能打开,博主百忙中能否发个APP下载链接,佛跳墙或极光..
    • 2016-10
    • 2016-11
    • 2018-04
    • 2020-03
    • 2020-04
    • 2020-05
    • 2020-06
    • 2022-01
    • 2023-07
    • 2023-10
    Top

    Copyright·© 2019 侯体宗版权所有· 粤ICP备20027696号 PHP交流群

    侯体宗的博客