[Python]搶到微信官方賬號文章

　　

　　我目前正在開(kāi)發(fā)自己的項目，該項目涉及文章，該項目需要通過(guò)python抓取微信官方帳戶(hù). 由于微信的獨特方法，不可能直接爬網(wǎng). 研究了一些文章之后，我可能會(huì )有想法. 目前，Internet可以毫無(wú)問(wèn)題地搜索提議的解決方案，但是由于第三方庫中的某些更改，內部代碼基本上無(wú)法使用. 本文是為需要爬網(wǎng)公共帳戶(hù)文章的朋友而寫(xiě)的. 最后還將提供python源代碼下載.

　　##公共帳戶(hù)捕獲方法

　　當前有兩種主流的公共帳戶(hù)爬網(wǎng)解決方案. 一種是搜索搜狗的微信官方帳戶(hù)頁(yè)面，找到文章地址，然后獲取特定的文章內容. 第二種方法是注冊一個(gè)公共帳戶(hù)，然后通過(guò)官方帳戶(hù)的搜索界面可以查詢(xún)產(chǎn)品地址，然后根據該地址獲取產(chǎn)品內容.

　　這兩種方案各有優(yōu)缺點(diǎn). 搜狗搜索的核心思想是通過(guò)請求模擬搜狗搜索公共賬號，然后解析搜索結果頁(yè)面，然后根據公共賬號的首頁(yè)地址對抓取工具進(jìn)行爬網(wǎng). }已捕獲詳細信息. 由于搜狗與騰訊之間的協(xié)議，只能顯示最新的10個(gè)文章，但無(wú)法獲取所有文章. 如果要獲取所有文章，則朋友可能必須使用第二種方法. 第二種方法的缺點(diǎn)是通過(guò)騰訊身份驗證注冊公共帳戶(hù). 這個(gè)過(guò)程比較麻煩. 您可以通過(guò)調用該界面的公共帳戶(hù)查詢(xún)界面進(jìn)行查詢(xún)，但是您需要使用硒來(lái)模擬滑動(dòng)頁(yè)面翻頁(yè)操作. 整個(gè)過(guò)程仍然很麻煩. 是. 因為我的項目不需要歷史記錄文章，所以我使用搜狗搜索功能來(lái)檢索公共帳戶(hù).

　　檢索最近的10個(gè)公共帳戶(hù)文章

　　Python需要依賴(lài)的第三方庫如下:

　　

　　urllib，pyquery，請求，硒

　　具體邏輯寫(xiě)在注釋中，沒(méi)有什么特別復雜的.

　　核心爬蟲(chóng)課程

　　```python

　　#！ / usr / bin / python

　　#代碼: utf-8

　　

　　[Python]純文本視圖復制代碼

　　import sys

reload(sys)

sys.setdefaultencoding('utf-8')

from urllib import quote

from pyquery import PyQuery as pq

import requests

import time

import re

import os

from selenium.webdriver import Chrome

from selenium.webdriver.firefox.options import Options

from selenium.webdriver.support.wait import WebDriverWait

# 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):

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)

# 爬蟲(chóng)主函數

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]

```

main入口函數：

```python

# coding: utf8

import spider_weixun_by_sogou

if __name__ == '__main__':

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

if not gongzhonghao:

gongzhonghao = 'spider'

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

print text

　　```

<p>直接運行main方法，然后在控制臺中輸入要爬網(wǎng)的公共帳戶(hù)的英文名稱(chēng). 中文搜索可能不止一個(gè). 此處所做的只是對精確搜索的搜索. 只需檢查電話(huà)并檢查公共帳戶(hù)號的英文，請單擊公共帳戶(hù)，然后查看公共帳戶(hù)信息以查看以下與“ mask5}爬網(wǎng)的爬蟲(chóng)結果相關(guān)的信息. 您可以通過(guò)在代碼中調用webdriver.py來(lái)檢索文章的特定內容.