python怎么抓取微信阅
拿到微信公众号的OpenID之后,就要使用微信派的微信文章接口;通过输入微信公众号的OpenID和微信派网站提供的Token的话,就可以获取返回的json格式的公众号文章列表和文章内容。
由于接口的返回格式是json格式的;各大网站如果想要这些公众号文章的数据的话,还有经过自己的二次加工。
可以用wxpy模块来
抓取微信公众号的文章
一.思路分析
目前所知晓的能够抓取的方法有:
1、微信APP中微信公众号文章链接的直接抓取(http://mp.weixin.qq.com/s?__biz=MjM5MzU4ODk2MA==&mid=2735446906&idx=1&sn=ece37deaba0c8ebb9badf07e5a5a3bd3&scene=0#rd)
2、通过微信合作方搜狗搜索引擎(http://weixin.sogou.com/),发送相应请求来间接抓取
第1种方法中,这种链接不太好获取,而且他的规律不是特别清晰。
因此本文采用的是方法2----通过给 weixin.sogou.com 发送即时请求来实时解析抓取数据并保存到本地。
二.爬取过程
1、首先在搜狗的微信搜索页面测试一下,这样能够让我们的思路更加清晰
在搜索引擎上使用微信公众号英文名进行“搜公众号”操作(因为公众号英文名是公众号唯一的,而中文名可能会有重复,同时公众号名字一定要完全正确,不然可能搜到很多东西,这样我们可以减少数据的筛选工作,只要找到这个唯一英文名对应的那条数据即可),即发送请求到'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&_sug_=n&_sug_type_= ' % 'python',并从页面中解析出搜索结果公众号对应的主页跳转链接。
2.获取主页入口内容
使用request , urllib,urllib2,或者直接使用webdriver+phantomjs等都可以
这里使用的是request.get()的方法获取入口网页内容
[python] view plain copy
# 爬虫伪装头部设置
self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:51.0) Gecko/20100101 Firefox/51.0'}
# 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()
#搜索入口地址,以公众为关键字搜索该公众号
def get_search_result_by_keywords(self):
self.log('搜索地址为:%s' % self.sogou_search_url)
return self.s.get(self.sogou_search_url, headers=self.headers, timeout=self.timeout).content
#获得公众号主页地址
def get_wx_url_by_sougou_search_html(self, sougou_search_html):
doc = pq(sougou_search_html)
#print doc('p[class="tit"]')('a').attr('href')
#print doc('div[class=img-box]')('a').attr('href')
#通过pyquery的方式处理网页内容,类似用beautifulsoup,但是pyquery和jQuery的方法类似,找到公众号主页地址
return doc('div[class=txt-box]')('p[class=tit]')('a').attr('href')
#使用webdriver 加载公众号主页内容,主要是js渲染的部分
def get_selenium_js_html(self, url):
browser = webdriver.PhantomJS()
browser.get(url)
time.sleep(3)
# 执行js得到整个页面内容
html = browser.execute_script("return document.documentElement.outerHTML")
return html
#获取公众号文章内容
def parse_wx_articles_by_html(self, selenium_html):
doc = pq(selenium_html)
print '开始查找内容msg'
return doc('div[class="weui_media_box appmsg"]')
#有的公众号仅仅有10篇文章,有的可能多一点
#return doc('div[class="weui_msg_card"]')#公众号只有10篇文章文章的
#!/usr/bin/python
# coding: utf-8
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
from urllib import quote
from pyquery import PyQuery as pq
from selenium import webdriver
import requests
import time
import re
import json
import os
class weixin_spider:
def __init__(self, kw):
' 构造函数 '
self.kw = kw
# 搜狐微信搜索链接
#self.sogou_search_url = 'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&_sug_=n&_sug_type_=' % quote(self.kw)
self.sogou_search_url = 'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&s_from=input&_sug_=n&_sug_type_=' % quote(self.kw)
# 爬虫伪装
self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:47.0) Gecko/20100101 FirePHP/0refox/47.0 FirePHP/0.7.4.1'}
# 操作超时时长
self.timeout = 5
self.s = requests.Session()
def get_search_result_by_kw(self):
self.log('搜索地址为:%s' % self.sogou_search_url)
return self.s.get(self.sogou_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 = pq(sougou_search_html)
#print doc('p[class="tit"]')('a').attr('href')
#print doc('div[class=img-box]')('a').attr('href')
#通过pyquery的方式处理网页内容,类似用beautifulsoup,但是pyquery和jQuery的方法类似,找到公众号主页地址
return doc('div[class=txt-box]')('p[class=tit]')('a').attr('href')
def get_selenium_js_html(self, wx_url):
' 执行js渲染内容,并返回渲染后的html内容 '
browser = webdriver.PhantomJS()
browser.get(wx_url)
time.sleep(3)
# 执行js得到整个dom
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 = pq(selenium_html)
return doc('div[class="weui_msg_card"]')
def switch_arctiles_to_list(self, articles):
' 把articles转换成数据字典 '
articles_list = []
i = 1
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
# break
return articles_list
def parse_one_article(self, article):
' 解析单篇文章 '
article_dict = {}
article = article('.weui_media_box[id]')
title = article('h4[class="weui_media_title"]').text()
self.log('标题是: %s' % title)
url = 'http://mp.weixin.qq.com' + article('h4[class="weui_media_title"]').attr('hrefs')
self.log('地址为: %s' % url)
summary = article('.weui_media_desc').text()
self.log('文章简述: %s' % summary)
date = article('.weui_media_extra_info').text()
self.log('发表时间为: %s' % date)
pic = self.parse_cover_pic(article)
content = self.parse_content_by_url(url).html()
contentfiletitle=self.kw+'/'+title+'_'+date+'.html'
self.save_content_file(contentfiletitle,content)
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 pq(page_html)('#js_content')
def save_content_file(self,title,content):
' 页面内容写入文件 '
with open(title, 'w') as f:
f.write(content)
def save_file(self, content):
' 数据写入文件 '
with open(self.kw+'/'+self.kw+'.txt', 'w') as f:
f.write(content)
def log(self, msg):
' 自定义log函数 '
print u'%s: %s' % (time.strftime('%Y-%m-%d %H:%M:%S'), msg)
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 pq(selenium_html)('#verify_change').text() != ''
def create_dir(self):
'创建文件夹'
if not os.path.exists(self.kw):
os.makedirs(self.kw)
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.kw)
self.log(u'开始调用sougou搜索引擎')
sougou_search_html = self.get_search_result_by_kw()
# 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+PhantomJs获取js异步加载渲染后的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')
# main
if __name__ == '__main__':
gongzhonghao=raw_input(u'输入要爬取的公众号')
if not gongzhonghao:
gongzhonghao='python6359'
weixin_spider(gongzhonghao).run()
#!/usr/bin/python
# coding: utf-8
[python] view plain copy
3.获取公众号地址
从获取到的网页内容中,得到公众号主页地址, 这一步骤有很多方法, beautifulsoup、webdriver,直接使用正则,pyquery等都可以
这里使用的是pyquery的方法来查找公众号主页入口地址
[python] view plain copy
4.获取公众号主页的文章列表
首先需要加载公众号主页,这里用的是phantomjs+webdriver, 因为这个主页的内容需要JS 渲染加载,采用之前的方法只能获得静态的网页内容
[python] view plain copy
得到主页内容之后,获取文章列表,这个文章列表中有我们需要的内容
[python] view plain copy
5.解析每一个文章列表,获取我们需要的信息
6.处理对应的内容
包括文章名字,地址,简介,发表时间等
7.保存文章内容
以html的格式保存到本地
同时将上一步骤的内容保存成excel 的格式
8.保存json数据
这样,每一步拆分完,爬取公众号的文章就不是特别难了。
三、源码
第一版源码如下:
[python] view plain copy
第二版代码:
对代码进行了一些优化和整改,主要:
1.增加了excel存贮
2.对获取文章内容规则进行修改
3.丰富了注释
本程序已知缺陷: 如果公众号的文章内容包括视视频,可能会报错。
[python] view plain copy
很抱歉,微信阅读数据的抓取涉及到微信的数据接口和权限问题,通常无法直接通过网络爬虫进行抓取。如果您需要抓取微信阅读数据,可以考虑使用八爪鱼采集器。您可以前往八爪鱼官网咨询八爪鱼数据服务,根据您的需求进行评估和定制。八爪鱼是一款功能强大的网页数据采集器,可以采集公开网页上的数据。如果您想要采集微信阅读数据,可以前往八爪鱼官网咨询八爪鱼数据服务,可以根据您的需求直接交付数据,无需自己手动操作。
python怎么抓取微信阅
答:抓取微信公众号的文章 一.思路分析 目前所知晓的能够抓取的方法有: 1、微信APP中微信公众号文章链接的直接抓取(http://mp.weixin.qq.com/s?__biz=MjM5MzU4ODk2MA==&mid=2735446906&idx=1&sn=ece37deaba0c8ebb9badf07e5a5a3bd3&scene=0#rd) 2、通过微信合作方搜狗搜索引擎(http://weixin.sogou.com...
python调用微信内置浏览器
答:1、首先F12或者右键审查元素进入开发者模式,点击Emulation。2、其次点击Network,把Spoofuseragent改成Other,并把下面的带复制进去,有三句。3、然后回车然后刷新页面即可。Python由荷兰数学和计算机科学研究学会的吉多·范罗苏姆于1990年代初设计,作为一门叫做ABC语言的替代品。Python提供了高效的高级数据结...
python怎么能抓微信公众号文章的阅读数
答:思路一,利用rss生成工具,将搜狗的微信搜索结果生成一个rss,然后通过rss监控这个公众号的文章是否更新。(理论上应该可行,但没试过)思路二,自己做一个桌面浏览器,IE内核。用这个浏览器登录web微信,这个微信帐号关注你想抓取的公众号,这样就可以监控到是这些公众号是否已更新,更新后链接是什么,从而...
如何爬取公众号数据?网上10种方法分享及实践
答:编程大法:对技术达人而言,Python爬虫和自动化测试工具是利器。首先,你需要安装必要的库如requests和BeautifulSoup,通过发送HTTP请求获取HTML,解析内容,然后妥善保存。但请注意,企业号的限制可能会影响抓取。第三方助手:对于非编程用户,Octoparse(虽需付费,但支持部分微信接口)和Import.io(专于电商数据...
如何利用爬虫爬微信公众号的内容?
答:4、用python从数据库取出网址,然后进行正常的爬取。如果只是想爬取文章内容,似乎并没有访问频率限制,但如果想抓取阅读数、点赞数,超过一定频率后,返回就会变为空值,我设定的时间间隔为10秒,可以正常抓取,这种频率下,一个小时只能抓取360条,已经没什么实际意义了。微信公众号数据储存 1、腾讯不...
python能看微信记录吗
答:一会python读取db数据库会参考上面的设置参数。 python解密db数据库 这里需要使用sqlite来操作数据库,而sqlite本身是不支持加密和解密的,那么这部分就需要我们自己来完成,但是网上已经有开源库了。 使用到的python库 加密解密db库——pysqlcipher3。 加密算法库——sqlcipher。 微信db加密库——wcdb 参考文档https://...
微信公众号回采怎么用
答:1.基于逆向方式 2.基于中间人方式 3.基于万能key方式 以第二种为例,用python-selenium 在微信公众号后台爬取所有文章链接,在Windows PC端微信处用 fiddler 抓取cookie 等进行HTTP数据接口分析,python-request 构造请求header,data, 用post方法请求数据,等到文章的全部内容信息。目的:如果你是微信公众...
4种Python爬虫(3. 微信小程序,如,超级猩猩)
答:4. 手机APP爬虫 爬取超级猩猩的课表,该平台仅提供了微信小程序这一个途径,前面两种针对html网页的爬取方式都不再适用。采用抓包分析是我们制定方案的第一步。我用的Mac电脑,fiddler只有一个简化版,所以另找了Charles这个类似的软件。启动Charles的代理,在手机WIFI中设置好对应的代理就可以开抓了。
有Python玩得好的大神吗,写个安卓程序,自动抓取微信,钉钉,QQ里面某人...
答:本文介绍...先在群里申请“群机器人”,得到access_token 然后调用接口: #!/usr/bin/python ... 从而快速解决问题,将线上问题尽早解决,那钉钉推送消息,它有什么好处呢?手机钉钉... 消息可以第一时间查看,报警消息的即时性要求比较高,所以适合用钉钉通知。 本文介绍...
python怎么爬取某个人的微信朋友圈的信息
答:从UI获取文本信息是最为简单的方法,于是应该优先逆向UI代码部分。逆向微信apk 首先解包微信apk,用dex2jar反编译classes.dex,然后用JD-GUI查看jar源码。当然,能看到的源码都是经过高度混淆的。但是,继承自安卓重要组件(如Activity、Service等)的类名无法被混淆,于是还是能从中看到点东西。首先定位到...