今天跟着这篇博客抓取微信公众号文章练习了一下爬虫,运行成功。想和大家分享一下过程中出现的问题和解决方法。
运行环境 windows 7 + Pycharm2018 + Python 2.7
目录
1.安装必要的Python包
运行代码需要安装以下packages:
pyquery、requests、selenium 、pyExcelerator和json
同时需要下载 phantomjs-2.1.1-windows,将里面的 phantomjs.exe 放到 Python2.7的Script 目录下
其中有两点说明:
1.1 关于下载selenium包
使用cmd下载selenium时不能直接输入 pip install selenium ,否则运行代码时会报错,因为默认install的是最新版本,也就是3.x版本的selenium,为了解决这个问题,键入以下代码即可:
pip uninstall selenium
y
pip install selenium==2.53.6
1.2关于下载json包
使用cmd下载json包时亦不可直接输入pip install json ,会报错显示没有找到合适的json包,这是因为在python2中存在两个json包,分别是simplejson和json-py,这里我采用了simplejson,附上相应代码
pip install simplejson
下载成功后,import json ,不会报错,说明安装成功。
2.运行之前的准备
首先附上完整代码,再进行修改说明
# coding: utf-8
'''
通过搜狗搜索中的微信搜索入口来爬取
'''
# 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(u'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(executable_path=r'D:\Anaconda3\envs\python2\Scripts\phantomjs.exe')
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")
browser.close()
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 u'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().strip()
self.log(u'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(u'地址为: %s' % url)
# 获取概要内容
summary = article('.weui_media_desc').text()
self.log(u'文章简述: %s' % summary)
# 获取文章发表时间
date = article('.weui_media_extra_info').text().strip()
self.log(u'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(u'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)
'''
json 数据,需要分析json数据的可以把这些注释打开
# 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__':
print u'''
**************************************************
** Welcome to Pycharm of weixin gongzhonghao **
**************************************************
'''
prompt = u'Please input weixin_gongzhonghao that you find:'
gongzhonghao = raw_input(prompt)
if not gongzhonghao:
gongzhonghao = u'gaokaostudent'
weixin_spider(gongzhonghao).run()
运行成功的公众号名称:gaokaostudent
代码中需要修改的地方
2.1首先要修改phantomjs.exe所在的文件路径为
在Python2下的安装路径python2\Scripts\phantomjs.exe
2.2接着在运行代码时,键入你想爬取的公众号ID:
我这里是爬取了一个高考填报志愿相关的公众号gaokaostudent的文章。
运行结果展示
开始爬取文章内容时,python会自动生成一个gaokaostudent文件夹,里面存储了你所爬取到的文章内容和一个整理好的excel文件,具体内容如下图所示:
需要注意的地方
本篇文章中所爬取的微信公众号,其标题大多是只包含了Utf-8编码的内容,如果你所爬取的公众号内容标题中含有其他特殊字符,可能会爬取失败。