"""
通过搜狗搜索中的微信搜索入口爬取微信公众号文章(selenium)
"""
import re
import os
import json
import time
import requests
from pyquery import PyQuery
from urllib.parse import quote
from selenium import webdriver
class WeChatSpider:
def __init__(self, keywords):
"""构造函数"""
self.keywords = keywords
# 搜狐微信搜索链接入口
self.so_gou_search_url = 'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&s_from=input&_sug_=n&_sug_type_=' % quote(self.keywords)
# 爬虫伪装头部设置
self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.92 Safari/537.36'}
# 设置操作超时时长
self.timeout = 5
# 爬虫模拟在一个request.session中完成
self.s = requests.Session()
def get_search_result_by_keywords(self):
"""搜索入口地址，以公众为关键字搜索该公众号"""
self.log('搜索地址为：%s' % self.so_gou_search_url)
return self.s.get(self.so_gou_search_url, headers=self.headers, timeout=self.timeout).content
def get_wx_url_by_sougou_search_html(self, sougou_search_html):
"""根据返回sougou_search_html，从中获取公众号主页链接"""
doc = PyQuery(sougou_search_html)
return doc('div[class=txt-box]')('p[class=tit]')('a').attr('href')
def get_selenium_js_html(self, url):
"""执行js渲染内容，并返回渲染后的html内容"""
browser = webdriver.Chrome()
browser.get(url)
time.sleep(3)
html = browser.execute_script("return document.documentElement.outerHTML")
return html
def parse_wx_articles_by_html(self, selenium_html):
"""从selenium_html中解析出微信公众号文章"""
doc = PyQuery(selenium_html)
print('开始查找内容msg')
return doc('div[class="weui_media_box appmsg"]')
def switch_arctiles_to_list(self, articles):
"""把articles转换成数据字典"""
# 定义存贮变量
articles_list = []
i = 1
# 遍历找到的文章，解析里面的内容
if articles:
for article in articles.items():
self.log(u'开始整合(%d/%d)' % (i, len(articles)))
articles_list.append(self.parse_one_article(article))
i += 1
return articles_list
def parse_one_article(self, article):
"""解析单篇文章"""
# 获取标题
title = article('h4[class="weui_media_title"]').text()
self.log('标题是： %s' % title)
# 获取标题对应的地址
url = 'http://mp.weixin.qq.com' + article('h4[class="weui_media_title"]').attr('hrefs')
self.log('地址为： %s' % url)
# 获取概要内容
summary = article('.weui_media_desc').text()
self.log('文章简述： %s' % summary)
# 获取文章发表时间
date = article('.weui_media_extra_info').text()
self.log('发表时间为： %s' % date)
# 获取封面图片
pic = self.parse_cover_pic(article)
# 获取文章内容
content = self.parse_content_by_url(url).html()
# 存储文章到本地
contentfiletitle = self.keywords + '/' + title + '_' + date + '.html'
self.save_content_file(contentfiletitle, content)
# 返回字典数据
return {
'title': title,
'url': url,
'summary': summary,
'date': date,
'pic': pic,
'content': content
}
def parse_cover_pic(self, article):
"""解析文章封面图片"""
pic = article('.weui_media_hd').attr('style')
p = re.compile(r'background-image:url\((.*?)\)')
rs = p.findall(pic)
self.log('封面图片是：%s ' % rs[0] if len(rs) > 0 else '')
return rs[0] if len(rs) > 0 else ''
def parse_content_by_url(self, url):
"""获取文章详情内容"""
page_html = self.get_selenium_js_html(url)
return PyQuery(page_html)('#js_content')
def save_content_file(self, title, content):
"""页面内容写入文件"""
with open(title, 'w', encoding="utf-8") as f:
f.write(content)
def save_file(self, content):
"""数据写入文件"""
with open(self.keywords + '/' + self.keywords + '.txt', 'w', encoding='utf-8') as f:
f.write(content)
def log(self, msg):
"""自定义log函数，主要是加上时间"""
print(u'%s: %s' % (time.strftime('%Y-%m-%d %H:%M:%S'), msg))
# 验证函数
def need_verify(self, selenium_html):
"""有时候对方会封锁ip，这里做一下判断，检测html中是否包含id=verify_change的标签，有的话，代表被重定向了，提醒过一阵子重试 """
return PyQuery(selenium_html)('#verify_change').text() != ''
def create_dir(self):
"""创建公众号命名的文件夹"""
if not os.path.exists(self.keywords):
os.makedirs(self.keywords)
def run(self):
"""爬虫入口函数 """
# Step 0：创建公众号命名的文件夹
self.create_dir()
# Step 1：GET请求到搜狗微信引擎，以微信公众号英文名称作为查询关键字
self.log(u'开始获取，微信公众号英文名为：%s' % self.keywords)
self.log(u'开始调用sougou搜索引擎')
sougou_search_html = self.get_search_result_by_keywords()
# Step 2：从搜索结果页中解析出公众号主页链接
self.log(u'获取sougou_search_html成功，开始抓取公众号对应的主页wx_url')
wx_url = self.get_wx_url_by_sougou_search_html(sougou_search_html)
self.log(u'获取wx_url成功，%s' % wx_url)
# Step 3：Selenium获取渲染后的html
self.log(u'开始调用selenium渲染html')
selenium_html = self.get_selenium_js_html(wx_url)
# Step 4: 检测目标网站是否进行了封锁
if self.need_verify(selenium_html):
self.log(u'爬虫被目标网站封锁，请稍后再试')
else:
# Step 5: 使用PyQuery，从Step 3获取的html中解析出公众号文章列表的数据
self.log(u'调用selenium渲染html完成，开始解析公众号文章')
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: 把微信文章数据封装成字典的list
self.log(u'开始整合微信文章数据为字典')
articles_list = self.switch_arctiles_to_list(articles)
# Step 7: 把Step 5的字典list转换为Json
self.log(u'整合完成，开始转换为json')
data_json = json.dumps(articles_list)
# Step 8: 写文件
self.log(u'转换为json完成，开始保存json数据到文件')
self.save_file(data_json)
self.log(u'保存完成，程序结束')
if __name__ == '__main__':
print(
"""
******************************************
** Welcome to Spider of 公众号 **
** Created on 2018-11-15 **
** @author: Feng mujin **
******************************************
""")
Subscription = input(u'输入要爬取的公众号: ')
if not Subscription:
Subscription = 'python6359'
WeChatSpider(Subscription).run()import re
import time
import json
import random
import requests
from selenium import webdriver
# 微信公众号账号
user = "你的公众号账号"
# 公众号密码
password = "你的公众号密码"
# 设置要爬取的公众号列表
gzlist = ['要爬取的公众号名字']
# 登录微信公众号，获取登录之后的cookies信息，并保存到本地文本中
def wechat_login():
# 定义一个空的字典，存放cookies内容
post = {}
# 用webdriver启动谷歌浏览器
print("启动浏览器，打开微信公众号登录界面")
driver = webdriver.Chrome()
# 打开微信公众号登录页面
driver.get('https://mp.weixin.qq.com/')
# 等待5秒钟
time.sleep(5)
print("正在输入微信公众号登录账号和密码......")
# 清空账号框中的内容
driver.find_element_by_xpath("./*//input[@id='account']").clear()
# 自动填入登录用户名
driver.find_element_by_xpath("./*//input[@id='account']").send_keys(user)
# 清空密码框中的内容
driver.find_element_by_xpath("./*//input[@id='pwd']").clear()
# 自动填入登录密码
driver.find_element_by_xpath("./*//input[@id='pwd']").send_keys(password)
# 在自动输完密码之后需要手动点一下记住我
print("请在登录界面点击:记住账号")
time.sleep(10)
# 自动点击登录按钮进行登录
driver.find_element_by_xpath("./*//a[@id='loginBt']").click()
# 拿手机扫二维码！
print("请拿手机扫码二维码登录公众号")
time.sleep(20)
print("登录成功")
# 重新载入公众号登录页，登录之后会显示公众号后台首页，从这个返回内容中获取cookies信息
driver.get('https://mp.weixin.qq.com/')
# 获取cookies
cookie_items = driver.get_cookies()
# 获取到的cookies是列表形式，将cookies转成json形式并存入本地名为cookie的文本中
for cookie_item in cookie_items:
post[cookie_item['name']] = cookie_item['value']
cookie_str = json.dumps(post)
with open('cookie.txt', 'w+', encoding='utf-8') as f:
f.write(cookie_str)
print("cookies信息已保存到本地")
# 爬取微信公众号文章，并存在本地文本中
def get_content(query):
# query为要爬取的公众号名称
# 公众号主页
url = 'https://mp.weixin.qq.com'
# 设置headers
header = {
"HOST": "mp.weixin.qq.com",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.92 Safari/537.36"
}
# 读取上一步获取到的cookies
with open('cookie.txt', 'r', encoding='utf-8') as f:
cookie = f.read()
cookies = json.loads(cookie)
# 登录之后的微信公众号首页url变化为：https://mp.weixin.qq.com/cgi-bin/home?t=home/index&lang=zh_CN&token=1849751598，从这里获取token信息
response = requests.get(url=url, cookies=cookies)
token = re.findall(r'token=(\d+)', str(response.url))[0]
# 搜索微信公众号的接口地址
search_url = 'https://mp.weixin.qq.com/cgi-bin/searchbiz?'
# 搜索微信公众号接口需要传入的参数，有三个变量：微信公众号token、随机数random、搜索的微信公众号名字
query_id = {
'action': 'search_biz',
'token': token,
'lang': 'zh_CN',
'f': 'json',
'ajax': '1',
'random': random.random(),
'query': query,
'begin': '0',
'count': '5'
}
# 打开搜索微信公众号接口地址，需要传入相关参数信息如：cookies、params、headers
search_response = requests.get(search_url, cookies=cookies, headers=header, params=query_id)
# 取搜索结果中的第一个公众号
lists = search_response.json().get('list')[0]
# 获取这个公众号的fakeid，后面爬取公众号文章需要此字段
fakeid = lists.get('fakeid')
# 微信公众号文章接口地址
appmsg_url = 'https://mp.weixin.qq.com/cgi-bin/appmsg?'
# 搜索文章需要传入几个参数：登录的公众号token、要爬取文章的公众号fakeid、随机数random
query_id_data = {
'token': token,
'lang': 'zh_CN',
'f': 'json',
'ajax': '1',
'random': random.random(),
'action': 'list_ex',
'begin': '0', # 不同页，此参数变化，变化规则为每页加5
'count': '5',
'query': '',
'fakeid': fakeid,
'type': '9'
}
# 打开搜索的微信公众号文章列表页
appmsg_response = requests.get(appmsg_url, cookies=cookies, headers=header, params=query_id_data)
# 获取文章总数
max_num = appmsg_response.json().get('app_msg_cnt')
# 每页至少有5条，获取文章总的页数，爬取时需要分页爬
num = int(int(max_num) / 5)
# 起始页begin参数，往后每页加5
begin = 0
while num + 1 > 0:
query_id_data = {
'token': token,
'lang': 'zh_CN',
'f': 'json',
'ajax': '1',
'random': random.random(),
'action': 'list_ex',
'begin': '{}'.format(str(begin)),
'count': '5',
'query': '',
'fakeid': fakeid,
'type': '9'
}
print('正在翻页：--------------', begin)
# 获取每一页文章的标题和链接地址，并写入本地文本中
query_fakeid_response = requests.get(appmsg_url, cookies=cookies, headers=header, params=query_id_data)
fakeid_list = query_fakeid_response.json().get('app_msg_list')
for item in fakeid_list:
content_link = item.get('link')
content_title = item.get('title')
fileName = query + '.txt'
with open(fileName, 'a', encoding='utf-8') as fh:
fh.write(content_title + ":\n" + content_link + "\n")
num -= 1
begin = int(begin)
begin += 5
time.sleep(2)
if __name__ == '__main__':
try:
# 登录微信公众号，获取登录之后的cookies信息，并保存到本地文本中
wechat_login()
# 登录之后，通过微信公众号后台提供的微信公众号文章接口爬取文章
for query in gzlist:
# 爬取微信公众号文章，并存在本地文本中
print("开始爬取公众号：" + query)
get_content(query)
print("爬取完成")
except Exception as e:
print(str(e))
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
