前言
最近烦心事挺多的，能让我得到快乐的是一行行能够运行的代码，那么今天为大家带来微信文章爬取实战。
本篇目标
- 根据关键词搜索微信文章，并提取文章链接
- 自动保存微信文章，并保存为HTML格式
- 实现设置提取文章数目，并提供有关交互操作
快速开始
1.确定URL链接格式
首先打开搜狗微信搜索平台，任意搜索一个感兴趣的关键词，观察网址http://weixin.sogou.com/weixin?type=2&query=%E5%B0%8F%E7%B1%B3&ie=utf8&s_from=input&_sug_=n&_sug_type_=1&w=01015002&oq=&ri=0&sourceid=sugg&sut=0&sst0=1520605349656&lkt=0%2C0%2C0&p=40040108
这里我输入的是小米，可以观察到，链接中type字段控制检索信息类型，query字段则对应于我们的关键词，因为会自动编码，所以我看看到的是%E5...类似信息，其他内容则是无关信息，这里我们不讨论，下面点击下一页，
http://weixin.sogou.com/weixin?oq=&query=%E5%B0%8F%E7%B1%B3&_sug_type_=1&sut=0&lkt=0%2C0%2C0&s_from=input&ri=0&_sug_=n&type=2&sst0=1520605349656&page=2&ie=utf8&p=40040108&dp=1&w=01015002&dr=1
观察到链接中多出了一个page字段，对应于数字2，猜测这就是页码，尝试之后，果不其然，我们的猜测是正确的，下面我们来爬取文章的具体内容
2.提取文章地址
点击F12，通过控制台，我们发现文章网址对应在，txt-box元素下，如图
由此，我们很容易的写出我们的匹配模式代码
'.*?(http://.*?)"'
对应完整代码如下：
def getlisturl(key, pagestart, pageend):
try:
page = pagestart
keycode = urllib.request.quote(key)
pagecode = urllib.request.quote("&page")
for page in range(pagestart, pageend+1):
url = "http://weixin.sogou.com/weixin?type=2&query=" + keycode + pagecode + str(page)
data1 = downloader(url)
listurlpat = '.*?(http://.*?)"'
data2 = re.compile(listurlpat, re.S)
result = data2.findall(data1)
listurl.append(result)
#print(listurl)
print("共获取到" + str(len(listurl)) + "页")
return listurl
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
time.sleep(10)
except Exception as e:
print("exception:" + str(e))
time.sleep(1)
其中，key对应于关键词，pagestart对应于起始页码，默认为第一页，pageend对应于终止页码。
下载模块
我们需要从对应链接中下载内容，才能做到后面内容的提取，这里，下载模块我提供了两种方案，一种使用了代理服务器，一种没有使用，下面是没有使用代理服务器的代码：
def downloader(url):
headers = ("User-Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 "
"(KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 "
"Core/1.63.4793.400 QQBrowser/10.0.702.400")
opener = urllib.request.build_opener()
opener.addheaders = [headers]
urllib.request.install_opener(opener)
try:
data = urllib.request.urlopen(url).read()
data = data.decode('utf-8')
return data
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
time.sleep(10)
except Exception as e:
print("exception:" + str(e))
time.sleep(1)
这里使用了一些简单的伪装，以防止微信对爬虫的阻止，但这样并不安全，所以在完整代码中还提供了代理服务器模块，但是因为免费的代理服务器几乎都不能用，所以在此不多讲解。
完整代码如下
import re
import urllib.request
import time
import urllib.error
'''
def use_proxy(proxy_addr, url):
headers = ("User-Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 "
"(KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 "
"Core/1.63.4793.400 QQBrowser/10.0.702.400")
opener = urllib.request.build_opener()
opener.addheaders = [headers]
urllib.request.install_opener(opener)
try:
proxy = urllib.request.ProxyHandler({'http':proxy_addr})
opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)
urllib.request.install_opener(opener)
data = urllib.request.urlopen(url).read().decode('utf-8')
return data
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
time.sleep(10)
except Exception as e:
print("exception:" + str(e))
time.sleep(1)
'''
def downloader(url):
headers = ("User-Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 "
"(KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 "
"Core/1.63.4793.400 QQBrowser/10.0.702.400")
opener = urllib.request.build_opener()
opener.addheaders = [headers]
urllib.request.install_opener(opener)
try:
data = urllib.request.urlopen(url).read()
data = data.decode('utf-8')
return data
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
time.sleep(10)
except Exception as e:
print("exception:" + str(e))
time.sleep(1)
def getlisturl(key, pagestart, pageend):
try:
page = pagestart
keycode = urllib.request.quote(key)
pagecode = urllib.request.quote("&page")
for page in range(pagestart, pageend+1):
url = "http://weixin.sogou.com/weixin?type=2&query=" + keycode + pagecode + str(page)
data1 = downloader(url)
listurlpat = '.*?(http://.*?)"'
data2 = re.compile(listurlpat, re.S)
result = data2.findall(data1)
listurl.append(result)
#print(listurl)
print("共获取到" + str(len(listurl)) + "页")
return listurl
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
time.sleep(10)
except Exception as e:
print("exception:" + str(e))
time.sleep(1)
def getcontent(listurl):
i = 0
html1 = '''
微信文章页面
'''
fh = open("C://Users/59574/Desktop/python/test/WeChatSpider/1.html", "wb")
fh.write(html1.encode("utf-8"))
fh.close()
fh = open("C://Users/59574/Desktop/python/test/WeChatSpider/1.html", "ab")
for i in range(0, len(listurl)):
for j in range(0, len(listurl[i])):
try:
url = listurl[i][j]
url = url.replace("amp;", "")
data = downloader(url)
titlepat = "(.*?) "
contentpat = 'id="js_content">(.*?)id="js_sg_bar"'
title = re.compile(titlepat).findall(data)
content = re.compile(contentpat, re.S).findall(data)
if (title != []):
thistitle = title[0]
if (content != []):
thiscontent = content[0]
dataall = "标题为:" + thistitle + "
内容为:" + thiscontent + "
"
fh.write(dataall.encode("utf-8"))
print("第"+str(i+1) + "个网页第" + str(j+1) + "条内容保存")
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
time.sleep(10)
except Exception as e:
print("exception:" + str(e))
time.sleep(1)
fh.close()
html2 = '''
'''
fh = open("C://Users/59574/Desktop/python/test/WeChatSpider/1.html", "ab")
fh.write(html2.encode("utf-8"))
fh.close()
if __name__ == '__main__':
listurl = list()
key = str(input('请输入要查询的关键词：'))
#proxy = "115.223.209.169:9000"
pagestart = 1
pageend = int(input('请输入结束页码(每页保存10条内容)'))
listurl = getlisturl(key, pagestart, pageend)
getcontent(listurl)
Github版本
Github代码
运行结果
小结
开学了，事情有些多，个人的一些事情也让人难过，不过我会尽力更新，下一次我会为大家带来该代码多线程运行版本。
最后，希望大家都能尊重我的付出，转载我的文章请注明出处；
也希望大家关注我的个人博客 HD Blog
谢谢~