Python selenium爬取微信公眾號文章代碼詳解

更新時間：2020年08月12日 10:00:20 作者：forxtz

這篇文章主要介紹了Python selenium爬取微信公眾號歷史文章代碼詳解,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,需要的朋友可以參考下

參照資料：selenium webdriver添加cookie: http://www.dhdzp.com/article/193102.html

需求：

想閱讀微信公眾號歷史文章，但是每次找回看得地方不方便。

思路：

1、使用selenium打開微信公眾號歷史文章，并滾動刷新到最底部，獲取到所有歷史文章urls。

2、對urls進(jìn)行遍歷訪問，并進(jìn)行下載到本地。

實(shí)現(xiàn)

1、打開微信客戶端，點(diǎn)擊某個微信公眾號->進(jìn)入公眾號->打開歷史文章鏈接（使用瀏覽器打開），并通過開發(fā)者工具獲取到cookies，保存為excel。

2、啟動webdriver，并添加相應(yīng)cookies。

browser = webdriver.Chrome()
wait = WebDriverWait(browser,10)
# 隨便訪問一個地址，然后才能設(shè)置cookies
browser.get('https://httpbin.org/get')
# 添加cookies,df為保存的excel cookies
for i in range(len(df)):
  cookie_dict = {
          "domain": df.loc[i,'DomaiN'], 
          'name': df.loc[i,'Name'],
          'value': str(df.loc[i,'Value']),
          "expires": df.loc[i,"Expires/Max-Age"],
          'path': '/',}
  browser.add_cookie(cookie_dict)
browser.get(weixin_url)

3、控制瀏覽器下移動

觀察page_source，可以發(fā)現(xiàn)，文章到最底部的判斷是。

<div class="loadmore with_line" style="display: none;" id="js_nomore">
    <div class="tips_wrp">
      <span class="tips js_no_more_msg" style="display: none;">已無更多</span>
      <span class="tips js_need_add_contact" style="display: none;">關(guān)注公眾帳號，接收更多消息</span>
    </div>
  </div>

使用driver控制JS。

%%time
# 通過判斷已無更多的style,來判斷是否到最底部，最終執(zhí)行到最底部
no_more_msg_style = 'display: none;'
while True:
  wait.until(EC.presence_of_element_located((By.XPATH,'//span[@class="tips js_no_more_msg" and text()="已無更多"]')))
  no_more= browser.find_element_by_xpath('//span[@class="tips js_no_more_msg" and text()="已無更多"]')
  now_style = no_more.get_attribute('style')
  if str(now_style).find(no_more_msg_style) == -1:
    # 說明已經(jīng)加載完了
    break
  else:
    # 停頓一會，等待瀏覽器加載
    time.sleep(5)
    # 通過JS，執(zhí)行到最底部
    browser.execute_script('window.scrollTo(0,document.body.scrollHeight)')

4、關(guān)鍵信息獲取。

根據(jù)html,分析得出文章url處在<div msgid="1000000026">中。

<div class="weui_msg_card js_card" msgid="1000000026">
      <div class="weui_msg_card_hd">2017年1月13日</div>
      <div class="weui_msg_card_bd">
         <!-- 圖文 -->
             <!-- 普通圖文 -->
            <div id="WXAPPMSG1000000026" class="weui_media_box appmsg js_appmsg" hrefs="http://mp.weixin.qq.com/s?__biz=MzI5MDQ4NzU5MA==&mid=2247483748&idx=1&sn=e804e638484794181a27c094f81be8e1&chksm=ec1e6d2ddb69e43bd3e1f554c2d0cedb37f099252f122cee1ac5052b589b56f428b2c304de8e&scene=38#wechat_redirect" data-t="0">
              <span class="weui_media_hd js_media" style="background-image:url(http://mmbiz.qpic.cn/mmbiz_jpg/XibhQ5tjv6dG9B4GF1C9MGBJO5AR2wvjCL9LgdcFgAdEgyU8wZFuDXoH9O9dNvafwK3RibCjUyiarIlUDlkxbcyfQ/640?wx_fmt=jpeg)" data-s="640" hrefs="http://mp.weixin.qq.com/s?__biz=MzI5MDQ4NzU5MA==&mid=2247483748&idx=1&sn=e804e638484794181a27c094f81be8e1&chksm=ec1e6d2ddb69e43bd3e1f554c2d0cedb37f099252f122cee1ac5052b589b56f428b2c304de8e&scene=38#wechat_redirect" data-type="APPMSG">
              </span>
              <div class="weui_media_bd js_media" data-type="APPMSG">
                <h4 class="weui_media_title" hrefs="http://mp.weixin.qq.com/s?__biz=MzI5MDQ4NzU5MA==&mid=2247483748&idx=1&sn=e804e638484794181a27c094f81be8e1&chksm=ec1e6d2ddb69e43bd3e1f554c2d0cedb37f099252f122cee1ac5052b589b56f428b2c304de8e&scene=38#wechat_redirect">
                  承認(rèn)自己是難民有什么錯
                </h4>
                <p class="weui_media_desc">枷鎖已經(jīng)足夠沉重，謝絕道德綁架</p>
                <p class="weui_media_extra_info">2017年1月13日</p>
              </div>
            </div> 
      </div>
    </div>

文章類型主要分為，

<div class="weui_media_bd js_media" data-type="APPMSG">
<div class="weui_media_bd js_media" data-type="TEXT">

有無原創(chuàng)進(jìn)行劃分。

最終實(shí)現(xiàn)：

%%time
result = []
errlist = []
# 先得到其中一個
el_divs = browser.find_elements_by_xpath('//div[@class="weui_msg_card_list"]/div[@class="weui_msg_card js_card"]')
i = 0
for div in el_divs:
  date = title = url = yuanchuang = ''
  try:
    date = div.find_element_by_xpath('.//div[@class="weui_msg_card_hd"]').get_attribute('innerHTML')
    el_content = div.find_element_by_xpath('.//div[@class="weui_media_bd js_media"]')
    if el_content.get_attribute('data-type') == 'APPMSG':
      el = el_content.find_element_by_xpath('./h4[@class="weui_media_title"]')
      title = el.text
      url = el.get_attribute('hrefs')
      xb = el_content.find_element_by_xpath('./p[@class="weui_media_extra_info"]').text
      yuanchuang = '原創(chuàng)' if xb.find('原創(chuàng)') != -1 else ''
    elif el_content.get_attribute('data-type') == 'TEXT':
      title = '隨文'
      url = el_content.find_element_by_xpath('./div').text
      yuanchuang = '原創(chuàng)'
    else:
      # 其他未能識別的類型
      errlist.append([i,div.get_attribute('innerHTML')])
  except NoSuchElementException:
    errlist.append([i,div.get_attribute('innerHTML')])
  print(str(i),':',date,title,url,yuanchuang)
  result.append([date,title,yuanchuang,url])
  i = i + 1

5、將得到url保存到excel

dfout = pd.DataFrame(result, columns=['日期', '標(biāo)題', '原創(chuàng)', '地址'])
with pd.ExcelWriter(savename) as writer:
dfout.to_excel(writer,index=False,sheet_name = 'Sheet1')

最終保存形式

6、在遍歷最后的鏈接地址，逐個requets保存，即可得到。組建成菜單形式的文章，可參考

記一次 excel vba 參考手冊爬蟲實(shí)戰(zhàn)，不必要的一次爬蟲。：htthttp://www.dhdzp.com/article/193107.htm

遇到的坑：

1、find_element_by_xpath 需要配上 NoSuchElementException 使用，否則遇到未找到的節(jié)點(diǎn)就會出錯，最初find_elements_by_xpath 來防止找不到相關(guān)節(jié)點(diǎn)，結(jié)果發(fā)現(xiàn)，執(zhí)行速度異常的慢，需要查找原因。

2、cookies使用的時候是人為獲取，如果太長時間不用，需要重新獲取?？梢钥紤]結(jié)合pyautogui來控制weixin客戶端來進(jìn)行獲取。？

3、構(gòu)建的時候，最后分布試行，最初的文章類型沒有做好判斷，結(jié)果執(zhí)行時間很久。做好異常捕獲，再逐步分析錯誤的節(jié)點(diǎn)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。

您可能感興趣的文章: