python爬取微信公眾號文章的方法
最近在學(xué)習(xí)Python3網(wǎng)絡(luò)爬蟲開發(fā)實踐(崔慶才 著)剛好也學(xué)習(xí)到他使用代理爬取公眾號文章這里,但是照著他的代碼寫,出現(xiàn)了一些問題。在這里我用到了這本書的前面講的一些內(nèi)容進(jìn)行了完善。(作者寫這個代碼已經(jīng)是半年前的事了,但騰訊的網(wǎng)站在這半年前進(jìn)行了更新)
下面我直接上代碼:
TIMEOUT = 20
from requests import Request, Session, PreparedRequest
import requests
from selenium import webdriver
from selenium.common.exceptions import NoSuchElementException
from bs4 import BeautifulSoup as bs
import pymysql
# 要爬取的內(nèi)容
keyword = '美女圖片'
options = webdriver.ChromeOptions()
# 設(shè)置中文
options.add_argument('lang=zh_CN.UTF-8')
# 更換頭部
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 = 6379
REDIS_PASSWORD = '*****'
REDIS_KEY = 'requests'
PROXY_POOL_URL = 'http://127.0.0.1:8080/random'
MAX_FAILED_TIME = 5
MYSQL_HOST = 'localhost'
MYSQL_PORT = 3306
MYSQL_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 pickle
from 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):
"""
向隊列添加序列化后的Request
:param request:請求對象
:return:添加結(jié)果
"""
if isinstance(request, WeixinRequest):
return self.db.rpush(REDIS_KEY, pickle.dumps(request))
return False
def pop(self):
"""
取出下一個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):
"""
從代理池獲取代理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 urlencode
from requests import ReadTimeout, ConnectionError
from pyquery import PyQuery as pq
VALD_STATUES = [200]
class Spider():
base_url = 'http://weixin.sogou.com/weixin?'
# 這里的page可以修改,即第幾頁,我本來想獲取所有的個數(shù)再除以10 這樣就能爬完了,但是我只是測試所以這里并沒有做
# 但如果需要做可以加到schedule方法的while循環(huán)內(nèi)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 不可能把我的給你撒
session = Session()
queue = RedisQueue()
queue.del_all()
mysql = mysqlConn()
def start(self):
"""
初始化工作
:return:
"""
# 全局更新headers
# 如果你試過用這個方法修改headers,那么就知道這個在這里好像沒什么用,我在這里浪費了至少兩個小時
self.session.headers.update(self.headers)
start_url = self.base_url + urlencode(self.params)
# 這里我將need_proxy=False設(shè)為了False 即并沒有使用代理 ps:我也就是測試一下
# 真正修改了headers是在這里
weixin_request = WeixinRequest(url=start_url, callback=self.parse_index, headers=self.headers, need_proxy=False)
# 調(diào)度第一個請求
self.queue.add(weixin_request)
def schedule(self):
"""
調(diào)度請求
: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):
# 將新的文章詳情的url也加入隊列
self.queue.add(result)
if isinstance(result, dict):
# 儲存到mysql
self.mysql.insert('articles', result)
else:
self.error(weixin_request)
else:
self.error(weixin_request)
def request(self, weixin_request):
"""
執(zhí)行請求
:param weixin_request:請求
:return: 響應(yīng)
"""
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):
"""
解析索引頁
:param response: 響應(yīng)
:return: 新的響應(yīng)
"""
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):
"""
解析詳情頁
:param response: 響應(yīng)
:return: 微信公眾號文章
"""
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()
}
# 儲存圖片
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):
"""
錯誤處理
:param weixin_request:請求
: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:
今天測試之后使用了cookie并不能登錄這個網(wǎng)站了,也許是騰訊使用了新的安全驗證,具體也無從得知,但使用瀏覽器訪問沒有問題

以上就是本文的全部內(nèi)容,希望對大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
python3+PyQt5重新實現(xiàn)QT事件處理程序
這篇文章主要為大家詳細(xì)介紹了python3+PyQt5重新實現(xiàn)QT事件處理程序,具有一定的參考價值,感興趣的小伙伴們可以參考一下2018-04-04
Python 結(jié)巴分詞實現(xiàn)關(guān)鍵詞抽取分析
這篇文章主要介紹了Python 結(jié)巴分詞實現(xiàn)關(guān)鍵詞抽取分析,小編覺得挺不錯的,現(xiàn)在分享給大家,也給大家做個參考。一起跟隨小編過來看看吧2017-10-10
python百行代碼自制電腦端網(wǎng)速懸浮窗的實現(xiàn)
這篇文章主要介紹了python百行代碼自制電腦端網(wǎng)速懸浮窗的實現(xiàn),文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-05-05
使用Python讀取Excel數(shù)據(jù)在PPT中創(chuàng)建圖表
使用Python從Excel讀取數(shù)據(jù)并在PowerPoint幻燈片中創(chuàng)建圖表不僅能夠極大地簡化圖表創(chuàng)建過程,通過Python這一橋梁,我們可以輕松實現(xiàn)數(shù)據(jù)自動化處理和圖表生成,本文將演示如何使用Python讀取Excel數(shù)據(jù)在PPT中創(chuàng)建圖表,需要的朋友可以參考下2024-08-08
python33 urllib2使用方法細(xì)節(jié)講解
Python 標(biāo)準(zhǔn)庫中有很多實用的工具類,這里總結(jié)一些 urllib2 的使用細(xì)節(jié):Proxy 的設(shè)置、Timeout 設(shè)置、在 HTTP Request 中加入特定的 、Cookie、使用 HTTP 的 PUT 和 DELETE 方法2013-12-12

