python爬虫(17)爬出新高度_抓取微信公众号文章（selenium+phantomjs）（上）
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
# 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).content3.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
#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')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
#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
#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：
#!/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()
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。
#!/usr/bin/python
# coding: utf-8
'''
总的来说就是通过搜狗搜索中的微信搜索入口来爬取
2017-04-12 by Jimy_fengqi
'''
#这三行代码是防止在python2上面编码错误的，在python3上面不要要这样设置
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
from urllib import quote
from pyquery import PyQuery as pq
from selenium import webdriver
from pyExcelerator import * #导入excel相关包
import requests
import time
import re
import json
import os
class weixin_spider:
def __init__(self, keywords):
' 构造函数 '
self.keywords = keywords
# 搜狐微信搜索链接入口
#self.sogou_search_url = 'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&_sug_=n&_sug_type_=' % quote(self.keywords)
self.sogou_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 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()
#excel 第一行数据
self.excel_data=[u'编号',u'时间',u'文章标题',u'文章地址',u'文章简介']
#定义excel操作句柄
self.excle_w=Workbook()
#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
#将获取到的文章转换为字典
def switch_arctiles_to_list(self, articles):
#定义存贮变量
articles_list = []
i = 1
#以当前时间为名字建表
excel_sheet_name=time.strftime('%Y-%m-%d')
excel_content=self.excle_w.add_sheet(excel_sheet_name)
#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)))
#处理单个文章
articles_list.append(self.parse_one_article(article,i,excel_content))
i += 1
return articles_list
#解析单篇文章
def parse_one_article(self, article,i,excel_content):
article_dict = {}
#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)
#将这些简单的信息保存成excel数据
cols=0
tempContent=[i,date,title,url,summary]
for data in self.excel_data:
excel_content.write(0,cols,data)
excel_content.write(i,cols,tempContent[cols])
cols +=1
self.excle_w.save(self.keywords+'/'+self.keywords+'.xls')
#返回字典数据
return {
'title': title,
'url': url,
'summary': summary,
'date': date,
'pic': pic,
'content': content
}
#查找封面图片，获取封面图片地址
def parse_cover_pic(self, article):
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 ''
#获取文章页面详情
def parse_content_by_url(self, url):
page_html = self.get_selenium_js_html(url)
return pq(page_html)('#js_content')
#存储文章到本地
def save_content_file(self,title,content):
with open(title, 'w') as f:
f.write(content)
#存贮json数据到本地
def save_file(self, content):
' 数据写入文件 '
with open(self.keywords+'/'+self.keywords+'.txt', 'w') as f:
f.write(content)
#自定义log函数，主要是加上时间
def log(self, msg):
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 pq(selenium_html)('#verify_change').text() != ''
#创建公众号命名的文件夹
def create_dir(self):
if not os.path.exists(self.keywords):
os.makedirs(self.keywords)
#爬虫主函数
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+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
#几个可供参考的公众号
#DataBureau
#python6359
#ArchNotes
if __name__ == '__main__':
print '''
*****************************************
** Welcome to Spider of 公众号 **
** Created on 2017-04-12 **
** @author: Jimy _Fengqi **
*****************************************
'''
gongzhonghao=raw_input(u'输入要爬取的公众号')
if not gongzhonghao:
gongzhonghao='python6359'
weixin_spider(gongzhonghao).run()
四、总结
本文涉及到的知识点：
1.requests的get方法
2.爬虫header的设置
3.文件IO操作， 文件夹的创建，文件的创建
4.pyquery的使用，拓展内容beautifsoup的使用
5.phantomjs +webdriver的使用 ， 拓展 webdriver 中 xpath方法的使用
6.js 的加载
7.quote的使用
8. time 的使用 系统休眠和获取当前时间，处理时间格式
9.excel 的使用
本文使用的excel 相关包 pyExcelerator
from pyExcelerator import * #导入excel相关包它的安装方法：
pip install pyExcelerator 10.数据的存贮
11.正则表达式的使用
12.json的使用
13. 打印log 的变换方法