python爬虫(17)爬出新高度_抓取微信公众号文章（selenium+phantomjs）（上）

抓取微信公众号的文章

目前所知晓的能够抓取的方法有：

1、微信APP中微信公众号文章链接的直接抓取（http://mp.weixin.qq.com/s?__biz=MjM5MzU4ODk2MA==&mid=2735446906&idx=1&sn=ece37deaba0c8ebb9badf07e5a5a3bd3&scene=0#rd）

2、通过微信合作方搜狗搜索引擎（http://weixin.sogou.com/），发送相应请求来间接抓取

第1种方法中，这种链接不太好获取，而且他的规律不是特别清晰。

因此本文采用的是方法2----通过给 weixin.sogou.com 发送即时请求来实时解析抓取数据并保存到本地。

1、首先在搜狗的微信搜索页面测试一下，这样能够让我们的思路更加清晰

在搜索引擎上使用微信公众号英文名进行“搜公众号”操作（因为公众号英文名是公众号唯一的，而中文名可能会有重复，同时公众号名字一定要完全正确，不然可能搜到很多东西，这样我们可以减少数据的筛选工作，只要找到这个唯一英文名对应的那条数据即可），即发送请求到"http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&_sug_=n&_sug_type_= " %  "python"，并从页面中解析出搜索结果公众号对应的主页跳转链接。

2.获取主页入口内容

使用request , urllib,urllib2,或者直接使用webdriver+phantomjs等都可以

这里使用的是request.get()的方法获取入口网页内容

		# 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()

	#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("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

3.获取公众号地址

从获取到的网页内容中，得到公众号主页地址， 这一步骤有很多方法， beautifulsoup、webdriver，直接使用正则，pyquery等都可以

这里使用的是pyquery的方法来查找公众号主页入口地址

	#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")

4.获取公众号主页的文章列表

首先需要加载公众号主页，这里用的是phantomjs+webdriver, 因为这个主页的内容需要JS 渲染加载，采用之前的方法只能获得静态的网页内容

	#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() 
		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")
		return html

 得到主页内容之后，获取文章列表，这个文章列表中有我们需要的内容

	#获取公众号文章内容
	def parse_wx_articles_by_html(self, selenium_html):
		doc = pq(selenium_html)
		print "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

5.解析每一个文章列表，获取我们需要的信息

6.处理对应的内容

包括文章名字，地址，简介，发表时间等

7.保存文章内容

以html的格式保存到本地

同时将上一步骤的内容保存成excel 的格式

8.保存json数据

这样，每一步拆分完，爬取公众号的文章就不是特别难了。

第一版源码如下：

#!/usr/bin/python
# coding: utf-8

import sys
reload(sys)
sys.setdefaultencoding("utf-8")

from urllib import quote
from pyquery import PyQuery as pq
from selenium import webdriver

import requests
import time
import re
import json
import os


class weixin_spider:
	def __init__(self, kw):
		" 构造函数 "
		self.kw = kw
		# 搜狐微信搜索链接
		#self.sogou_search_url = "http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&_sug_=n&_sug_type_=" % quote(self.kw)
		self.sogou_search_url = "http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&s_from=input&_sug_=n&_sug_type_=" % quote(self.kw)
								
		# 爬虫伪装
		self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:47.0) Gecko/20100101 FirePHP/0refox/47.0 FirePHP/0.7.4.1"}
		
		# 操作超时时长
		self.timeout = 5
		self.s = requests.Session()
		
	def get_search_result_by_kw(self):
		self.log("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
 
	def get_wx_url_by_sougou_search_html(self, sougou_search_html):
		" 根据返回sougou_search_html，从中获取公众号主页链接 "
		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")
 
	def get_selenium_js_html(self, wx_url):
		" 执行js渲染内容，并返回渲染后的html内容 "
		browser = webdriver.PhantomJS() 
		browser.get(wx_url) 
		time.sleep(3) 
		# 执行js得到整个dom 
		html = browser.execute_script("return document.documentElement.outerHTML")
		return html
 
	def parse_wx_articles_by_html(self, selenium_html):
		" 从selenium_html中解析出微信公众号文章 "
		doc = pq(selenium_html)
		return doc("div[class="weui_msg_card"]")
 
	def switch_arctiles_to_list(self, articles):
		" 把articles转换成数据字典 "
		articles_list = []
		i = 1
 
		if articles:
			for article in articles.items():
				self.log(u"开始整合(%d/%d)" % (i, len(articles)))
				articles_list.append(self.parse_one_article(article))
				i += 1
				# break
 
		return articles_list
		
	def parse_one_article(self, article):
		" 解析单篇文章 "
		article_dict = {}
		
		article = article(".weui_media_box[id]")
		
		title = article("h4[class="weui_media_title"]").text()
		self.log("标题是： %s" % title)
		url = "http://mp.weixin.qq.com" + article("h4[class="weui_media_title"]").attr("hrefs")
		self.log("地址为： %s" % url)
		summary = article(".weui_media_desc").text()
		self.log("文章简述： %s" % summary)
		date = article(".weui_media_extra_info").text()
		self.log("发表时间为： %s" % date)
		pic = self.parse_cover_pic(article)
		content = self.parse_content_by_url(url).html()
		
		contentfiletitle=self.kw+"/"+title+"_"+date+".html"
		self.save_content_file(contentfiletitle,content)
		
		return {
			"title": title,
			"url": url,
			"summary": summary,
			"date": date,
			"pic": pic,
			"content": content
		}
		
	def parse_cover_pic(self, article):
		" 解析文章封面图片 "
		pic = article(".weui_media_hd").attr("style")
		
		p = re.compile(r"background-image:url((.*?))")
		rs = p.findall(pic)
		self.log( "封面图片是：%s " % rs[0] if len(rs) > 0 else "")
		
		return rs[0] if len(rs) > 0 else ""
 
	def parse_content_by_url(self, url):
		" 获取文章详情内容 "
		page_html = self.get_selenium_js_html(url)
		return pq(page_html)("#js_content")
		
	def save_content_file(self,title,content):
		" 页面内容写入文件 "
		with open(title, "w") as f:
			f.write(content)
		
	def save_file(self, content):
		" 数据写入文件 "
		with open(self.kw+"/"+self.kw+".txt", "w") as f:
			f.write(content)
 
	def log(self, msg):
		" 自定义log函数 "
		print u"%s: %s" % (time.strftime("%Y-%m-%d %H:%M:%S"), msg)
 
	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() != ""
	
	def create_dir(self):
		"创建文件夹"
		if not os.path.exists(self.kw):  
			os.makedirs(self.kw) 
			
 
	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.kw)
		self.log(u"开始调用sougou搜索引擎")
		sougou_search_html = self.get_search_result_by_kw()
		
		# 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)
			
			# 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__":
	
	gongzhonghao=raw_input(u"输入要爬取的公众号")
	if not gongzhonghao:
		gongzhonghao="python6359"
	weixin_spider(gongzhonghao).run()

第二版代码：

对代码进行了一些优化和整改，主要：

1.增加了excel存贮

2.对获取文章内容规则进行修改

3.丰富了注释

本程序已知缺陷： 如果公众号的文章内容包括视视频，可能会报错。

#!/usr/bin/python
# coding: utf-8

"""
总的来说就是通过搜狗搜索中的微信搜索入口来爬取
2017-04-12 by Jimy_fengqi
"""

#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("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() 
		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")
		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 "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()
		self.log("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("地址为： %s" % url)
		#获取概要内容
		summary = article(".weui_media_desc").text()
		self.log("文章简述： %s" % summary)
		#获取文章发表时间
		date = article(".weui_media_extra_info").text()
		self.log("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( "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)
			
			# 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
#几个可供参考的公众号
#DataBureau  
#python6359
#ArchNotes
if __name__ == "__main__":
	print """
			***************************************** 
			**    Welcome to Spider of 公众号       ** 
			**      Created on 2017-04-12          ** 
			**      @author: Jimy _Fengqi          ** 
			*****************************************
	"""
	gongzhonghao=raw_input(u"输入要爬取的公众号")
	if not gongzhonghao:
		gongzhonghao="python6359"
	weixin_spider(gongzhonghao).run()
	

四、总结

本文涉及到的知识点：

1.requests的get方法

2.爬虫header的设置

3.文件IO操作， 文件夹的创建，文件的创建

4.pyquery的使用，拓展内容beautifsoup的使用

5.phantomjs +webdriver的使用 ，  拓展  webdriver 中 xpath方法的使用

6.js 的加载

7.quote的使用

8. time 的使用   系统休眠和获取当前时间，处理时间格式

9.excel 的使用

本文使用的excel 相关包  pyExcelerator

from   pyExcelerator  import * #导入excel相关包

它的安装方法：

pip  install  pyExcelerator 

10.数据的存贮

11.正则表达式的使用

12.json的使用

13. 打印log 的变换方法