querylist采集微信公眾號文章(如何處理微信的防盜鏈？突破難點(diǎn)一操作擁有微信)

　　突破難關(guān)一操作

　　擁有一個(gè)帶有登錄和注冊鏈接的微信個(gè)人訂閱帳戶(hù)。微信公眾平臺：

　　未注冊的童鞋可以通過(guò)微信公眾號進(jìn)行注冊。這個(gè)過(guò)程非常簡(jiǎn)單。

　　登錄后，點(diǎn)擊左側菜單欄的“管理”-“物料管理”。然后點(diǎn)擊右側的“新建圖形材質(zhì)”

　　

　　會(huì )彈出一個(gè)新標簽頁(yè)，在上方工具欄中找到“超鏈接”，點(diǎn)擊

　　

　　彈出小窗口，選擇“查找文章”，輸入需要搜索的公眾號，以“宅基地”公眾號為例

　　

　　點(diǎn)擊后可以彈出公眾號的所有歷史記錄文章

　　

　　搜索可以獲取所有相關(guān)公眾號信息，但我只取第一個(gè)進(jìn)行測試，其他所有感興趣的人也可以獲得。

　　詳細信息請參考崔大神的文章,#rd

　　根據個(gè)人公眾號界面抓取

　　根據搜狗微信界面抓取

　　# -*- coding:utf-8 -*-

import requests,os,time,re

from urllib.parse import quote

from pyquery import PyQuery as pq

from selenium.webdriver import Chrome

from selenium.webdriver.firefox.options import Options

from selenium.webdriver.support.wait import WebDriverWait

# 這三行代碼是防止在python2上面編碼錯誤的，在python3上面不要要這樣設置

# import sys

# reload(sys)

# sys.setdefaultencoding('utf-8')

# 搜索入口地址，以公眾為關(guān)鍵字搜索該公眾號

def get_search_result_by_keywords(sogou_search_url):

# 爬蟲(chóng)偽裝頭部設置

headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:51.0) Gecko/20100101 Firefox/51.0'}

# 設置操作超時(shí)時(shí)長(cháng)

timeout = 5

# 爬蟲(chóng)模擬在一個(gè)request.session中完成

s = requests.Session()

log(u'搜索地址為：%s' % sogou_search_url)

return s.get(sogou_search_url, headers=headers, timeout=timeout).content

# 獲得公眾號主頁(yè)地址

def get_wx_url_by_sougou_search_html(sougou_search_html):

doc = pq(sougou_search_html)

return doc('div[class=txt-box]')('p[class=tit]')('a').attr('href')

# 使用webdriver 加載公眾號主頁(yè)內容，主要是js渲染的部分

def get_selenium_js_html(url):

# browser = webdriver.PhantomJS(executable_path=r'D:\Python2.7\Scripts\phantomjs.exe')

options = Options()

options.add_argument('-headless') # 無(wú)頭參數

driver = Chrome(executable_path='chromedriver', chrome_options=options)

wait = WebDriverWait(driver, timeout=10)

driver.get(url)

time.sleep(3)

# 執行js得到整個(gè)頁(yè)面內容

html = driver.execute_script("return document.documentElement.outerHTML")

driver.close()

return html

# 獲取公眾號文章內容

def parse_wx_articles_by_html(selenium_html):

doc = pq(selenium_html)

return doc('div[class="weui_media_box appmsg"]')

# 將獲取到的文章轉換為字典

def switch_arctiles_to_list(articles):

# 定義存貯變量

articles_list = []

i = 1

# 遍歷找到的文章，解析里面的內容

if articles:

for article in articles.items():

log(u'開(kāi)始整合(%d/%d)' % (i, len(articles)))

# 處理單個(gè)文章

articles_list.append(parse_one_article(article))

i += 1

return articles_list

# 解析單篇文章

def parse_one_article(article):

article_dict = {}

# 獲取標題

title = article('h4[class="weui_media_title"]').text().strip()

###log(u'標題是： %s' % title)

# 獲取標題對應的地址

url = 'http://mp.weixin.qq.com' + article('h4[class="weui_media_title"]').attr('hrefs')

log(u'地址為： %s' % url)

# 獲取概要內容

summary = article('.weui_media_desc').text()

log(u'文章簡(jiǎn)述： %s' % summary)

# 獲取文章發(fā)表時(shí)間

date = article('.weui_media_extra_info').text().strip()

log(u'發(fā)表時(shí)間為： %s' % date)

# 獲取封面圖片

pic = parse_cover_pic(article)

# 返回字典數據

return {

'title': title,

'url': url,

'summary': summary,

'date': date,

'pic': pic

}

# 查找封面圖片，獲取封面圖片地址

def parse_cover_pic(article):

pic = article('.weui_media_hd').attr('style')

p = re.compile(r'background-image:url\((.*?)\)')

rs = p.findall(pic)

log(u'封面圖片是：%s ' % rs[0] if len(rs) > 0 else '')

return rs[0] if len(rs) > 0 else ''

# 自定義log函數，主要是加上時(shí)間

def log(msg):

print(u'%s: %s' % (time.strftime('%Y-%m-%d_%H-%M-%S'), msg))

# 驗證函數

def need_verify(selenium_html):

' 有時(shí)候對方會(huì )封鎖ip，這里做一下判斷，檢測html中是否包含id=verify_change的標簽，有的話(huà)，代表被重定向了，提醒過(guò)一陣子重試 '

return pq(selenium_html)('#verify_change').text() != ''

# 創(chuàng )建公眾號命名的文件夾

def create_dir(keywords):

if not os.path.exists(keywords):

os.makedirs(keywords)

def run(keywords):

' 爬蟲(chóng)入口函數 '

# Step 0 ： 創(chuàng )建公眾號命名的文件夾

create_dir(keywords)

# 搜狐微信搜索鏈接入口

sogou_search_url = 'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&s_from=input&_sug_=n&_sug_type_=' % quote(keywords)

# Step 1：GET請求到搜狗微信引擎，以微信公眾號英文名稱(chēng)作為查詢(xún)關(guān)鍵字

log(u'開(kāi)始獲取，微信公眾號英文名為：%s' % keywords)

log(u'開(kāi)始調用sougou搜索引擎')

sougou_search_html = get_search_result_by_keywords(sogou_search_url)

# Step 2：從搜索結果頁(yè)中解析出公眾號主頁(yè)鏈接

log(u'獲取sougou_search_html成功，開(kāi)始抓取公眾號對應的主頁(yè)wx_url')

wx_url = get_wx_url_by_sougou_search_html(sougou_search_html)

log(u'獲取wx_url成功，%s' % wx_url)

# Step 3：Selenium+PhantomJs獲取js異步加載渲染后的html

log(u'開(kāi)始調用selenium渲染html')

selenium_html = get_selenium_js_html(wx_url)

# Step 4: 檢測目標網(wǎng)站是否進(jìn)行了封鎖

if need_verify(selenium_html):

log(u'爬蟲(chóng)被目標網(wǎng)站封鎖，請稍后再試')

else:

# Step 5: 使用PyQuery，從Step 3獲取的html中解析出公眾號文章列表的數據

log(u'調用selenium渲染html完成，開(kāi)始解析公眾號文章')

articles = parse_wx_articles_by_html(selenium_html)

log(u'抓取到微信文章%d篇' % len(articles))

# Step 6: 把微信文章數據封裝成字典的list

log(u'開(kāi)始整合微信文章數據為字典')

articles_list = switch_arctiles_to_list(articles)

return [content['title'] for content in articles_list]

if __name__ == '__main__':

gongzhonghao = input(u'input weixin gongzhonghao:')

if not gongzhonghao:

gongzhonghao = 'spider'

text = " ".join(run(gongzhonghao))

print(text)

　　直接運行main方法，在控制臺輸入你要爬的公眾號的英文名。中文可能不止一個(gè)。精確搜索在這里完成，只找到一個(gè)。查看英文公眾號，點(diǎn)擊手機即可。公眾號然后查看公眾號信息

　　防水蛭

　　微信公眾號已經(jīng)對文章中的圖片做了防盜鏈處理，所以如果圖片在公眾號、小程序、PC瀏覽器以外的地方無(wú)法顯示，建議您閱讀這篇文章< @文章學(xué)習如何應對微信的反水蛭。

　　參考：