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下载微信公众号相关文章

Python  /  管理员 发布于 7年前   182

本文实例为大家分享了python下载微信公众号相关文章的具体代码,供大家参考,具体内容如下

目的:从零开始学自动化测试公众号中下载“pytest"一系列文档

1、搜索微信号文章关键字搜索

2、对搜索结果前N页进行解析,获取文章标题和对应URL

主要使用的是requests和bs4中的Beautifulsoup

Weixin.py

import requestsfrom urllib.parse import quotefrom bs4 import BeautifulSoupimport refrom WeixinSpider.HTML2doc import MyHTMLParser class WeixinSpider(object):  def __init__(self, gzh_name, pageno,keyword):  self.GZH_Name = gzh_name  self.pageno = pageno  self.keyword = keyword.lower()  self.page_url = []  self.article_list = []  self.headers = {   'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'}  self.timeout = 5  # [...] 用来表示一组字符,单独列出:[amk] 匹配 'a','m'或'k'  # re+ 匹配1个或多个的表达式。  self.pattern = r'[\\/:*?"<>|\r\n]+'  def get_page_url(self):  for i in range(1,self.pageno+1):   # https://weixin.sogou.com/weixin?query=从零开始学自动化测试&_sug_type_=&s_from=input&_sug_=n&type=2&page=2&ie=utf8   url = "https://weixin.sogou.com/weixin?query=%s&_sug_type_=&s_from=input&_sug_=n&type=2&page=%s&ie=utf8" \     % (quote(self.GZH_Name),i)   self.page_url.append(url)  def get_article_url(self):  article = {}  for url in self.page_url:   response = requests.get(url,headers=self.headers,timeout=self.timeout)   result = BeautifulSoup(response.text, 'html.parser')   articles = result.select('ul[class="news-list"] > li > div[class="txt-box"] > h3 > a ')   for a in articles:    # print(a.text)    # print(a["href"])    if self.keyword in a.text.lower():      new_text=re.sub(self.pattern,"",a.text)      article[new_text] = a["href"]      self.article_list.append(article)   headers = {'User-Agent':      'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'}timeout = 5gzh_name = 'pytest文档'My_GZH = WeixinSpider(gzh_name,5,'pytest')My_GZH.get_page_url()# print(My_GZH.page_url)My_GZH.get_article_url()# print(My_GZH.article_list)for article in My_GZH.article_list: for (key,value) in article.items():  url=value  html_response = requests.get(url,headers=headers,timeout=timeout)  myHTMLParser = MyHTMLParser(key)  myHTMLParser.feed(html_response.text)  myHTMLParser.doc.save(myHTMLParser.docfile)

HTML2doc.py

from html.parser import HTMLParserimport requestsfrom docx import Documentimport refrom docx.shared import RGBColorimport docx  class MyHTMLParser(HTMLParser): def __init__(self,docname):  HTMLParser.__init__(self)  self.docname=docname  self.docfile = r"D:\pytest\%s.doc"%self.docname  self.doc=Document()  self.title = False  self.code = False  self.text=''  self.processing =None  self.codeprocessing =None  self.picindex = 1  self.headers = {   'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'}  self.timeout = 5  def handle_startendtag(self, tag, attrs):  # 图片的处理比较复杂,首先需要找到对应的图片的url,然后下载并写入doc中  if tag == "img":   if len(attrs) == 0:    pass   else:    for (variable, value) in attrs:     if variable == "data-type":      picname = r"D:\pytest\%s%s.%s" % (self.docname, self.picindex, value)      # print(picname)     if variable == "data-src":      picdata = requests.get(value, headers=self.headers, timeout=self.timeout)      # print(value)    self.picindex = self.picindex + 1    # print(self.picindex)    with open(picname, "wb") as pic:     pic.write(picdata.content)    try:     self.doc.add_picture(picname)    except docx.image.exceptions.UnexpectedEndOfFileError as e:     print(e)  def handle_starttag(self, tag, attrs):  if re.match(r"h(\d)", tag):   self.title = True  if tag =="p":   self.processing = tag  if tag == "code":   self.code = True   self.codeprocessing = tag  def handle_data(self, data):   if self.title == True:    self.doc.add_heading(data, level=2)   # if self.in_div == True and self.tag == "p":   if self.processing:    self.text = self.text + data   if self.code == True:    p =self.doc.add_paragraph()    run=p.add_run(data)    run.font.color.rgb = RGBColor(111,111,111)  def handle_endtag(self, tag):  self.title = False  # self.code = False  if tag == self.processing:   self.doc.add_paragraph(self.text)    self.processing = None   self.text=''  if tag == self.codeprocessing:   self.code =False

运行结果:

缺少部分文档,如pytest文档4,是因为搜狗微信文章搜索结果中就没有

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爬取微信公众号文章的方法
    下一条:
    python处理DICOM并计算三维模型体积
  • 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