python 微信网页登录 python打开微信网页

转载

mob64ca13f87273 2024-02-05 01:16:35

文章标签 python 微信网页登录 python 数据挖掘 html 搜索 文章分类 Python 后端开发

作者最近在学习python爬虫，在爬取微信文章这个实战项目中遇到了一些小问题，所以写这篇文章来记录一下，顺便分享一下爬取过程。

整体思路

我们选择从搜狗的微信界面（‘https://weixin.sogou.com/’）来获取微信文章的基本信息，由于搜狗有反爬措施，采用代理池，先将搜狗搜索的结果页的源码爬取，之后解析出这一页的文章链接，翻页，继续解析至最后一页，最后访问文章链接获取源码提取所需信息保存到MongoDB中

准备工作

代理池ProxyPool：代理池的作用是用来应对sougo的反爬虫措施，当你快速翻页时搜狗会跳出验证码识别，这时的网页请求会由200变成302的错误状态，这表示现在的ip被搜狗察觉并且不能再使用它来爬取。
代理池中有许多免费公开的ip，我们从代理池中不断获取ip来保证过程中有可用的ip供我们使用，这里使用的是github上公开的代理池代码附上链接，链接中有使用方法，大家可以自行下载运行：‘https://github.com/Python3WebSpider/ProxyPool’
第三方库：除了代理池的requirement.txt中的库，还需要用到re库（正则表达式库）requests库（get网页源码）BeautifulSoup（解析）pymongo（mongodb数据库存取）
MongoDB数据库：非必须，可以选择其它的数据库或者文件类型存储

第一步：获取搜索结果界面的源码

由于是静态页面，用requests库就可以很方便的爬取，但需要注意两点：1.搜索中如果不登录vx只能爬取十页的内容 2.需要在出现302的状态码时从代理池中获取新的ip
解决第一个问题需要对headers进行设置，这里简单得设置User-Agent和Cookie达到需求
解决第二个问题采用从代理池的端口中获取ip
附代码及注释：

proxy_url = 'http://127.0.0.1:5555/random'#获取代理ip的端口
proxy_ip = None#访问用的ip-全局变量
base_url ='https://weixin.sogou.com/weixin'
headers = {
    'Cookie':'自己的cookie',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36'
}
keyword = '风景'

def get_proxy_ip():
    """
    从代理池的端口获取代理ip
    :return: 代理ip
    """
    try:
        req = requests.get(proxy_url)
        if req.status_code == 200:
            return req.text
        return None
    except ConnectionError:
        return None

def get_html(url,ke):
    """

    :param url: 搜狗微信的前缀
    :param ke: 搜索的关键词和页数信息
    :return: 页面的源码
    """
    global  proxy_ip
    try:
        proxy_ip = get_proxy_ip()#获取一个ip
        proxies = {'http':'http://'+proxy_ip}#使用该ip访问
        req = requests.get(url,params=ke,headers = headers,proxies = proxies,allow_redirects = False)#最后一个参数是防止反爬自动跳转页面
        if req.status_code == 200:
            return req.text
        if req.status_code == 302:#反爬生效，状态码错误
            proxy_ip = get_proxy_ip()
            if proxy_ip:
                print('use proxy',proxy_ip)
                return get_html(url,ke)#当代理池的公开ip被占用，此处会循环获取直至有可用ip
            else:
                print('get proxy error')
                return None

第二步：实现翻页，获取每一页的源码

这里只需要改变页数，也就是之前的ke参数即可

def get_index(keyword,page):
    """
    主要用于定位关键词和页数
    :param keyword: 查找关键词
    :param page: 页数
    :return:
    """
    ke = {'query': f'{keyword}',
          'type':'2',
          'page':f'{page}'}
    html = get_html(base_url,ke)
    return html

通过运行以下代码即可获取100页的源码

def main():
    for i in range(1,101):
        html = get_index(f'{keyword}',i)

第三步：解析尝试获得文章的url

此时我们已经获取了每一页的html变量，现在对每一页的html结构进行分析，找到可能存储着文章url的信息
通过右键检查链接，我们发现每一个文章信息都储存在class为‘news-list’下的< li >中，而链接在< li >的< a >标签的href属性中，点击链接，我们成功跳转到了文章界面

但如果细心的话会发现这个文章界面的url和之前显示的url不同，但显然我不细心，方便区分，称这个是跳转url
但不论怎样，我们都需要将这个url提取出来

def find_url(html):
    """
    找到文章的跳转url
    :param html: 搜索页面html
    :return: 文章的url（跳转）列表
    """
    arti_url = []
    soup = BeautifulSoup(html,"html.parser")
    ul = soup.find('ul',class_ ='news-list')
    li_items = ul('li')
    for i in li_items:
        a = i.find('a',target='_blank')
        #print(a.get('href'))
        arti_url.append(a.get('href'))
    return arti_url

然后当我进行下一步，获取该url的源码时，我发现不是我想要的界面

python 微信网页登录 python打开微信网页_python 微信网页登录

第四步：通过re获得真实url

此时我并没有管这个url爬出来的是什么，然后终于发现了两者的url是不同的，显然文章的页面是异步加载出来（好像是这么叫？？初学俺也不懂）。
而面临这种情况，我脑子里只有分析ajax和用selenium，但我要分析1000页的ajax吗…so我只尝试了selenium，但selenium用谷歌驱动时会直接被搜狗发现是自动化程序，原因好像是有的js文件中包含着驱动文件的名字（经后续其它项目学习中发现有时使用火狐驱动不会被发现）所以这两种方法初步尝试失败
这时我注意到了跳转url的源码有一部分长这样
然后我对比了一下跳转后的最终url就是这一串连起来，我高兴了起来
看到这格式整齐的字符串，一串正则表达式就敲了出来：

def find_true_url(html):
    """
    从跳转url中解析出真正的url
    :param html:
    :return:
    """
    n_url = ''
    #part = re.findall(r'\+\=\ \'.{11}', html)
    parts = re.findall(r'\+\=\ \'.+', html)

    for i in parts:
        n_url += i[4:-3]
    n_url.replace("@", "")
    #print(n_url)
    return n_url

至此我们得到了文章的真正url

第五步：从真实url获取想要的文章信息

这里只解析了简单的文章名称、公众号名称，解析方法和查找跳转url那里相同，想获取更多的信息也可以自己再加

def parse_arti(html,url):
    """

    :param html: 文章html
    :param url: 文章真实url
    :return: 文章中需要提取的信息（字典型）
    """
    soup = BeautifulSoup(html,"html.parser")
    #print(soup)
    try:#一定要加try except结构 不然有的链接是视频文章不符合解析规定会卡住
        art = {
            '文章名称': soup.find(id = 'activity-name').string.replace('\n','').replace(' ',''),
            '公众号': soup.find(id = 'js_name').string.replace('\n','').replace(' ',''),
            '链接':url
        }
        return art
    except:
        return None

第六步：存储到数据库

这里因为是字典类型，所以就存储到了MongoDB，也可以选择不用字典存储然后写入别的文件。这里需要配置一下MongoDB和写一下写入的方法

MONGO_URL = 'localhost'
MONGO_DB = 'vx'
MONGO_TABLE = 'article'

client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]#注意中括号
def save_to_mongo(art):
    try:
        if db[MONGO_TABLE].insert(art):
            print('保存成功',art)
    except Exception:
        print('存储失败',art)

运行

此时注意，运行前要先运行代理池，不然无法获取代理ip
运行代码及数据库截图如下:

if __name__ == '__main__':
    for i in range(1, 101):
        html = get_index(f'{keyword}', i)
        arti_url = find_url(html)
        #print(arti_url)
        for url in arti_url:
            html = get_arti_info(url)
            n_url = find_true_url(html)
            n_html = get_arti_info(n_url)
            art = parse_arti(n_html, n_url)
            save_to_mongo(art)

python 微信网页登录 python打开微信网页_python 微信网页登录_02