微信公眾號推送信息爬取---python爬蟲

問題描述

利用搜狗的微信搜索抓取指定公眾號的最新一條推送，並保存相應的網頁至本地。

注意點

1. 搜狗微信獲取的地址為臨時鏈接，具有時效性。
2. 公眾號為動態網頁(JavaScript渲染)，使用requests.get()獲取的內容是不含推送消息的，這里使用selenium+PhantomJS處理

代碼

#! /usr/bin/env python3
from selenium import webdriver
from datetime import datetime
import bs4, requests
import os, time, sys

# 獲取公眾號鏈接
def getAccountURL(searchURL):
	res = requests.get(searchURL)
	res.raise_for_status()
	soup = bs4.BeautifulSoup(res.text, "lxml")
	# 選擇第一個鏈接
	account = soup.select('a[uigs="account_name_0"]')
	return account[0]['href']

# 獲取首篇文章的鏈接，如果有驗證碼返回None
def getArticleURL(accountURL):
	browser = webdriver.PhantomJS("/Users/chasechoi/Downloads/phantomjs-2.1.1-macosx/bin/phantomjs")
    # 進入公眾號
	browser.get(accountURL)
    # 獲取網頁信息
	html = browser.page_source
	accountSoup = bs4.BeautifulSoup(html, "lxml")
	time.sleep(1)
	contents = accountSoup.find_all(hrefs=True)
	try:
		partitialLink = contents[1]['hrefs']
		firstLink = base + partitialLink
	except IndexError:
		firstLink = None 
		print('CAPTCHA!')
	return firstLink

# 創建文件夾存儲html網頁，以時間命名
def folderCreation():
	path = os.path.join(os.getcwd(), datetime.now().strftime('%Y-%m-%d_%H-%M-%S'))
	try:
		os.makedirs(path)
	except OSError as e:
		if e.errno != errno.EEXIST:
			raise
		print("folder not exist!")
	return path

# 將html頁面寫入本地
def writeToFile(path, account, title):
	pathToWrite = os.path.join(path, '{}_{}.html'.format(account, title))
	myfile = open(pathToWrite, 'wb')
	myfile.write(res.content)
	myfile.close()

base ='https://mp.weixin.qq.com'
accountList = ['央視新聞', '新浪新聞','鳳凰新聞','羊城晚報']
query = 'http://weixin.sogou.com/weixin?type=1&s_from=input&query='

path = folderCreation()

for index, account in enumerate(accountList):
	searchURL = query + account
	accountURL = getAccountURL(searchURL)
    time.sleep(10)
	articleURL = getArticleURL(accountURL)
	if articleURL != None:
		print("#{}({}/{}): {}".format(account, index+1, len(accountList), accountURL))
		# 讀取第一篇文章內容
		res = requests.get(articleURL)
		res.raise_for_status()
		detailPage = bs4.BeautifulSoup(res.text, "lxml")
		title = detailPage.title.text
		print("標題: {}\n鏈接: {}\n".format(title, articleURL))
		writeToFile(path, account, title)
	else:
        print('{} files successfully written to {}'.format(index, path))
		sys.exit()

print('{} files successfully written to {}'.format(len(accountList), path))

參考輸出

• Terminal輸出

• Finder

分析

鏈接獲取

1. 首先進入搜狗的微信搜索頁面，在地址欄中提取需要的部分鏈接，字符串連接公眾號名稱，即可生成請求鏈接
2. 針對靜態網頁，利用requests獲取html文件，再用BeautifulSoup選擇需要的內容
3. 針對動態網頁，利用selenium+PhantomJS獲取html文件，再用BeautifulSoup選擇需要的內容
4. 遇到驗證碼(CAPTCHA)，輸出提示。此版本代碼沒有對驗證碼做實際處理，需要人為訪問后，再跑程序，才能避開驗證碼。

文件寫入

1. 使用os.path.join()構造存儲路徑可以提高通用性。比如Windows路徑分隔符使用back slash(\)， 而OS X 和 Linux使用forward slash(/)，通過該函數能根據平台進行自動轉換。
2. open()使用b(binary mode)參數同樣為了提高通用性(適應Windows)
3. 使用datetime.now()獲取當前時間進行命名，並通過strftime()格式化時間(函數名中的f代表format)，具體使用參考下表(摘自 Automate the Boring Stuff with Python)

參考鏈接:

1. 文件夾創建: https://stackoverflow.com/questions/14115254/creating-a-folder-with-timestamp
2. 異常處理的使用: https://stackoverflow.com/questions/2574636/getting-a-default-value-on-index-out-of-range-in-python
3. enumerate的使用: https://stackoverflow.com/questions/3162271/get-loop-count-inside-a-python-for-loop
4. open()使用b參數理由: https://stackoverflow.com/questions/2665866/what-is-the-wb-mean-in-this-code-using-python