借助搜狗搜索爬取微信文章
from urllib import request as r
import re as e
from urllib import error as o
import time as t
#模擬成瀏覽器
headers = {"User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6788.400 QQBrowser/10.3.2767.400"}
opener = r.build_opener()
opener.addheaders = [headers]
#將opener安裝為全局
r.install_opener(opener)
#設置一個列表listurl存儲文章網址列表
listurl = []
#自定義函數，功能為使用代理服務器
def use_proxy(proxy_addr,url):
#建立異常處理機制
try:
proxy = r.ProxyHandler({'http':proxy_addr})
opener = r.build_opener(proxy,r.HTTPHandler)
r.install_opener(opener)
data = r.urlopen(url).read().decode('utf-8')
return data
except o.URLError as u:
if hasattr(u,'code'):
print(u.code)
if hasattr(u,'reason'):
print(u.reason)
#若為URLError異常，延遲10秒執行
t.sleep(10)
except Exception as x:
print('Exception:'+str(x))
#若為Exception異常，延遲1秒執行
t.sleep(1)
#獲得所有文章鏈接
def getlisturl(key,pagestart,pageend,proxy):
try:
page = pagestart
#編碼關鍵字key
keycode = r.quote(key)
#編碼 &page
# pagecode = r.quote("&page")
#循環抓取各頁面鏈接
for page in range(pagestart,pageend+1):
#分別構建各頁面的url
url = "http://weixin.sogou.com/weixin?type=2&query="+keycode+"&page="+str(page)
#用代理服務器爬取，解決IP封殺問題
data1 = use_proxy(proxy,url)
#獲取文章鏈接的正則表達式
listurlpat = '<div class="txt-box">.*?(http://.*?)"'
listurlpat = 'href="(http://.*?)"'
#獲取每頁的所有文章鏈接並添加到列表listurl中
d = e.compile(listurlpat,e.S).findall(data1)
listurl.append(d)
#測試代碼
print("共獲得到"+str(len(listurl))+"頁")
return listurl
except o.URLError as u:
if hasattr(u,'code'):
print(u.code)
if hasattr(u,'reason'):
print(u.reason)
#若為URLError異常，延遲10秒執行
t.sleep(10)
except Exception as x:
print('Exception:'+str(x))
#若為Exception異常，延遲1秒執行
t.sleep(1)
#通過文章鏈接獲取對應內容
def getcontent(listurl,proxy):
i = 0
#設置本地文件中的開始html編碼
html1='''<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; chatset=utf-8" />
<title>微信文章頁面</title>
</head>
<body>'''
fh = open("G:\\Pcode\\1.html","wb")
fh.write(html1.encode("utf-8"))
fh.close()
#再次以最佳寫入的方式打開文件，以寫入對應文章內容
fh = open("G:\\Pcode\\1.html","ab")
#此時listurl為二維列表，形如listurl[][]，第一緯存儲的信息跟第幾頁相關，第二緯存儲的跟該頁面第幾個文章鏈接相關
for i in range(0,len(listurl)):
for j in range(0,len(listurl[i])):
try:
url = listurl[i][j]
#處理成真實url，可以觀察對應網址的關系自行分析，采集網址比真實網址多了一串amp
url = url.replace("amp;","")
#使用代理去爬取對應網址的內容
data = use_proxy(proxy,url)
#文章標題正則表達式
titlepat = "<title>(.*?)</title>"
#文章內容正則表達式
contentpat = 'id="js_content">(.*?)id="js_sg_bar"'
#通過對應正則表達式找到標題並賦給列表title
title = e.compile(titlepat).findall(data)
#通過對應正則表達式找到內容並賦給列表content
content = e.compile(contentpat,e.S).findall(data)
#初始化標題與內容
thistitle = "此次沒有獲取到"
thiscontent = "此次沒有獲取到"
#如果標題列表不為空，說明找到了標題，取列表第0個元素，即此次標題賦給變量thistitle
if(title != []):
thistitle = title[0]
if(content != []):
thiscontent = content[0]
#將標題與內容匯總賦給變量dataall
dataall = "<p>標題為："+thistitle+"</p><p>內容為："+thiscontent+"</p><br/>"
#將該篇文章的標題與內容的總信息寫入對應文件
fh.write(dataall.encode('utf-8'))
print(" 第 "+str(i+1)+"個網頁第"+str(j+1)+" 次處理 ") #便於調試
except o.URLError as u:
if hasattr(u, 'code'):
print(u.code)
if hasattr(u, 'reason'):
print(u.reason)
# 若為URLError異常，延遲10秒執行
t.sleep(10)
except Exception as x:
print('Exception:' + str(x))
# 若為Exception異常，延遲1秒執行
t.sleep(1)
fh.close()
#設置並寫入本地文件的html后面結束部分代碼
html2='''</body>
</html>'''
fh = open("G:\\Pcode\\1.html","ab")
fh.write(html2.encode("utf-8"))
fh.close()
#設置關鍵字
key = "物聯網"
#設置代碼服務器，該代理服務器有可能失效
proxy = '119.101.113.217:9999'
#可以為getlisturl()與getcontent()設置不同的代理服務器，此處沒有啟用該項設置
proxy2 = ''
#起始頁
pagestart = 1
#終止頁
pageend = 2
listurl = getlisturl(key,pagestart,pageend,proxy)
getcontent(listurl,proxy)