微信公众号推送信息爬取---python爬虫

问题描述

利用搜狗的微信搜索抓取指定公众号的最新一条推送，并保存相应的网页至本地。

注意点

1. 搜狗微信获取的地址为临时链接，具有时效性。
2. 公众号为动态网页(JavaScript渲染)，使用requests.get()获取的内容是不含推送消息的，这里使用selenium+PhantomJS处理

代码

#! /usr/bin/env python3
from selenium import webdriver
from datetime import datetime
import bs4, requests
import os, time, sys

# 获取公众号链接
def getAccountURL(searchURL):
    res = requests.get(searchURL)
    res.raise_for_status()
    soup = bs4.BeautifulSoup(res.text, "lxml")
    # 选择第一个链接
    account = soup.select('a[uigs="account_name_0"]')
    return account[0]['href']

# 获取首篇文章的链接，如果有验证码返回None
def getArticleURL(accountURL):
    browser = webdriver.PhantomJS("/Users/chasechoi/Downloads/phantomjs-2.1.1-macosx/bin/phantomjs")
    # 进入公众号
    browser.get(accountURL)
    # 获取网页信息
    html = browser.page_source
    accountSoup = bs4.BeautifulSoup(html, "lxml")
    time.sleep(1)
    contents = accountSoup.find_all(hrefs=True)
    try:
        partitialLink = contents[1]['hrefs']
        firstLink = base + partitialLink
    except IndexError:
        firstLink = None 
        print('CAPTCHA!')
    return firstLink

# 创建文件夹存储html网页，以时间命名
def folderCreation():
    path = os.path.join(os.getcwd(), datetime.now().strftime('%Y-%m-%d_%H-%M-%S'))
    try:
        os.makedirs(path)
    except OSError as e:
        if e.errno != errno.EEXIST:
            raise
        print("folder not exist!")
    return path

# 将html页面写入本地
def writeToFile(path, account, title):
    pathToWrite = os.path.join(path, '{}_{}.html'.format(account, title))
    myfile = open(pathToWrite, 'wb')
    myfile.write(res.content)
    myfile.close()

base ='https://mp.weixin.qq.com'
accountList = ['央视新闻', '新浪新闻','凤凰新闻','羊城晚报']
query = 'http://weixin.sogou.com/weixin?type=1&s_from=input&query='

path = folderCreation()

for index, account in enumerate(accountList):
    searchURL = query + account
    accountURL = getAccountURL(searchURL)
    time.sleep(10)
    articleURL = getArticleURL(accountURL)
    if articleURL != None:
        print("#{}({}/{}): {}".format(account, index+1, len(accountList), accountURL))
        # 读取第一篇文章内容
        res = requests.get(articleURL)
        res.raise_for_status()
        detailPage = bs4.BeautifulSoup(res.text, "lxml")
        title = detailPage.title.text
        print("标题: {}\n链接: {}\n".format(title, articleURL))
        writeToFile(path, account, title)
    else:
        print('{} files successfully written to {}'.format(index, path))
        sys.exit()

print('{} files successfully written to {}'.format(len(accountList), path))

参考输出

• Terminal输出

Terminal输出

• Finder

写入的html文件

分析

链接获取

1. 首先进入搜狗的微信搜索页面，在地址栏中提取需要的部分链接，字符串连接公众号名称，即可生成请求链接
2. 针对静态网页，利用requests获取html文件，再用BeautifulSoup选择需要的内容
3. 针对动态网页，利用selenium+PhantomJS获取html文件，再用BeautifulSoup选择需要的内容
4. 遇到验证码(CAPTCHA)，输出提示。此版本代码没有对验证码做实际处理，需要人为访问后，再跑程序，才能避开验证码。

文件写入

1. 使用os.path.join()构造存储路径可以提高通用性。比如Windows路径分隔符使用back slash(\)， 而OS X 和 Linux使用forward slash(/)，通过该函数能根据平台进行自动转换。
2. open()使用b(binary mode)参数同样为了提高通用性(适应Windows)
3. 使用datetime.now()获取当前时间进行命名，并通过strftime()格式化时间(函数名中的f代表format)，具体使用参考下表(摘自 Automate the Boring Stuff with Python)

strftime()

参考链接:

1. 文件夹创建: https://stackoverflow.com/questions/14115254/creating-a-folder-with-timestamp
2. 异常处理的使用: https://stackoverflow.com/questions/2574636/getting-a-default-value-on-index-out-of-range-in-python
3. enumerate的使用: https://stackoverflow.com/questions/3162271/get-loop-count-inside-a-python-for-loop
4. open()使用b参数理由: https://stackoverflow.com/questions/2665866/what-is-the-wb-mean-in-this-code-using-python