querylist采集微信公众号文章(如何处理微信的防盗链？突破难点一操作拥有微信)

　　querylist采集微信公众号文章(如何处理微信的防盗链？突破难点一操作拥有微信)

　　突破难关一操作

　　拥有一个带有登录和注册链接的微信个人订阅帐户。微信公众平台：

　　未注册的童鞋可以通过微信公众号进行注册。这个过程非常简单。

　　登录后，点击左侧菜单栏的“管理”-“物料管理”。然后点击右侧的“新建图形材质”

　　

　　会弹出一个新标签页，在上方工具栏中找到“超链接”，点击

　　

　　弹出小窗口，选择“查找文章”，输入需要搜索的公众号，以“宅基地”公众号为例

　　

　　点击后可以弹出公众号的所有历史记录文章

　　

　　搜索可以获取所有相关公众号信息，但我只取第一个进行测试，其他所有感兴趣的人也可以获得。

　　详细信息请参考崔大神的文章,#rd

　　根据个人公众号界面抓取

　　根据搜狗微信界面抓取

　　# -*- 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

# 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')

# 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(sogou_search_url):

# 爬虫伪装头部设置

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

timeout = 5

# 爬虫模拟在一个request.session中完成

s = requests.Session()

log(u'搜索地址为：%s' % sogou_search_url)

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

# 获得公众号主页地址

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 加载公众号主页内容，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') # 无头参数

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

wait = WebDriverWait(driver, timeout=10)

driver.get(url)

time.sleep(3)

# 执行js得到整个页面内容

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

driver.close()

return html

# 获取公众号文章内容

def parse_wx_articles_by_html(selenium_html):

doc = pq(selenium_html)

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

# 将获取到的文章转换为字典

def switch_arctiles_to_list(articles):

# 定义存贮变量

articles_list = []

i = 1

# 遍历找到的文章，解析里面的内容

if articles:

for article in articles.items():

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

# 处理单个文章

articles_list.append(parse_one_article(article))

i += 1

return articles_list

# 解析单篇文章

def parse_one_article(article):

article_dict = {}

# 获取标题

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

###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')

log(u'地址为： %s' % url)

# 获取概要内容

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

log(u'文章简述： %s' % summary)

# 获取文章发表时间

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

log(u'发表时间为： %s' % date)

# 获取封面图片

pic = parse_cover_pic(article)

# 返回字典数据

return {

'title': title,

'url': url,

'summary': summary,

'date': date,

'pic': pic

}

# 查找封面图片，获取封面图片地址

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'封面图片是：%s ' % rs[0] if len(rs) > 0 else '')

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

# 自定义log函数，主要是加上时间

def log(msg):

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

# 验证函数

def need_verify(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(keywords):

if not os.path.exists(keywords):

os.makedirs(keywords)

def run(keywords):

' 爬虫入口函数 '

# Step 0 ： 创建公众号命名的文件夹

create_dir(keywords)

# 搜狐微信搜索链接入口

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

log(u'开始获取，微信公众号英文名为：%s' % keywords)

log(u'开始调用sougou搜索引擎')

sougou_search_html = get_search_result_by_keywords(sogou_search_url)

# Step 2：从搜索结果页中解析出公众号主页链接

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 = get_wx_url_by_sougou_search_html(sougou_search_html)

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

log(u'开始调用selenium渲染html')

selenium_html = get_selenium_js_html(wx_url)

# Step 4: 检测目标网站是否进行了封锁

if need_verify(selenium_html):

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

log(u'调用selenium渲染html完成，开始解析公众号文章')

articles = parse_wx_articles_by_html(selenium_html)

log(u'抓取到微信文章%d篇' % len(articles))

# Step 6: 把微信文章数据封装成字典的list

log(u'开始整合微信文章数据为字典')

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)

　　直接运行main方法，在控制台输入你要爬的公众号的英文名。中文可能不止一个。精确搜索在这里完成，只找到一个。查看英文公众号，点击手机即可。公众号然后查看公众号信息

　　防水蛭

　　微信公众号已经对文章中的图片做了防盗链处理，所以如果图片在公众号、小程序、PC浏览器以外的地方无法显示，建议您阅读这篇文章< @文章学习如何应对微信的反水蛭。

　　参考：