Python中怎么爬取微信公眾號文章

今天就跟大家聊聊有關(guān)Python中怎么爬取微信公眾號文章，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結(jié)了以下內(nèi)容，希望大家根據(jù)這篇文章可以有所收獲。

Selenium介紹

Selenium是一個用于web應(yīng)用程序自動化測試的工具，直接運行在瀏覽器當(dāng)中，可以通過代碼控制與頁面上元素進行交互，并獲取對應(yīng)的信息。Selenium很大的一個優(yōu)點是：不需要復(fù)雜地構(gòu)造請求，訪問參數(shù)跟使用瀏覽器的正常用戶一模一樣，訪問行為也相對更像正常用戶，不容易被反爬蟲策略命中，所見即所得。而且在抓取的過程中，必要時還可人工干預(yù)（比如登錄、輸入驗證碼等）。

Selenium常常是面對一個嚴格反爬網(wǎng)站無從入手時的保留武器。當(dāng)然也有缺點：操作均需要等待頁面加載完畢后才可以繼續(xù)進行，所以速度要慢，效率不高（某些情況下使用headless和無圖模式會提高一點效率）。

需求分析和代碼實現(xiàn)

需求很明確：獲取一個公眾號全部推文的標(biāo)題、日期、鏈接。微信自身的推文功能只能通過其App查看，對App的抓取比較復(fù)雜。有一個很方便的替代途徑就是通過搜狗微信檢索。不過如果直接使用Requests等庫直接請求，會涉及的反爬措施有cookie設(shè)置，js加密等等，所以今天就利用Selenium大法！

首先導(dǎo)入所需的庫和實例化瀏覽器對象：

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait
# 導(dǎo)入第2-4行是為了馬上會提到的 顯式等待
import time
import datetime

driver = webdriver.Chrome()
driver.get('https://weixin.sogou.com/')

上述的代碼就可以實現(xiàn)打開搜狗微信搜索的操作，接下來需要往搜索框里輸入文字，并且點擊“搜文章”（不直接點搜公眾號是因為已經(jīng)取消通過公眾號直接獲取相應(yīng)文章的功能）

wait = WebDriverWait(driver, 10)
input = wait.until(EC.presence_of_element_located((By.NAME, 'query')))
input.send_keys('早起Python')
driver.find_element_by_xpath("//input[@class='swz']").click()

邏輯是設(shè)定最長等待時間，在10s內(nèi)發(fā)現(xiàn)了輸入框已經(jīng)加載出來后就輸入公眾號名稱，這里我們以“早起Python”為例，并且根據(jù)“搜文章”按鈕的xpath獲取該位置并點擊，這里就用到了顯式等待。Selenium請求網(wǎng)頁等待響應(yīng)受到網(wǎng)速牽制，如果元素未加載全而代碼執(zhí)行過快就會意外報錯而終止，解決方式是等待。

隱式等待是在嘗試發(fā)現(xiàn)某個元素的時候，如果沒能立刻發(fā)現(xiàn)，就等待固定長度的時間driver.implicitly_wait(10)，顯示等待明確了等待條件，只有該條件觸發(fā)，才執(zhí)行后續(xù)代碼，如這里我用到的代碼，當(dāng)然也可以用time模塊之間設(shè)定睡眠時間，睡完了再運行后續(xù)代碼。

另外只能獲取前10頁100條的結(jié)果，查看后續(xù)頁面需要微信掃碼登錄：

因此從這里開始，代碼的執(zhí)行邏輯為：

• 第10頁遍歷完成后自動點擊登錄，此時需要人工介入，掃碼完成登錄

• 代碼檢測登錄是否完成（可以簡化為識別“下一頁”按鈕是否出現(xiàn)），如果登錄完成則繼續(xù)從11頁遍歷到最后一頁（沒有“下一頁”按鈕）

由于涉及兩次遍歷則可以將解析信息包裝成函數(shù)：

num = 0

def get_news():
    global num # 放全局變量是為了給符合條件的文章記序
    time.sleep(1)
    news_lst = driver.find_elements_by_xpath("//li[contains(@id,'sogou_vr_11002601_box')]")
    for news in news_lst:
        # 獲取公眾號來源
        source = news.find_elements_by_xpath('div[2]/div/a')[0].text
        if '早起' not in source:
            continue
        num += 1
        # 獲取文章標(biāo)題
        title = news.find_elements_by_xpath('div[2]/h4/a')[0].text
        # 獲取文章發(fā)表日期
        date = news.find_elements_by_xpath('div[2]/div/span')[0].text
        # 文章發(fā)表的日期如果較近可能會顯示“1天前” “12小時前” “30分鐘前”
        # 這里可以用`datetime`模塊根據(jù)時間差求出具體時間
        # 然后解析為`YYYY-MM-DD`格式
        if '前' in date:
            today = datetime.datetime.today()
            if '天' in date:
                delta = datetime.timedelta(days=int(date[0]))
            elif '小時' in date:
                delta = datetime.timedelta(hours=int(date.replace('小時前', ' ')))
            else:
                delta = datetime.timedelta(minutes=int(date.replace('分鐘前', ' ')))
            date = str((today - delta).strftime('%Y-%m-%d'))
        date = datetime.datetime.strptime(date, '%Y-%m-%d').strftime('%Y-%m-%d')
        # 獲取url
        url = news.find_elements_by_xpath('div[2]/h4/a')[0].get_attribute('href')
        print(num, title, date)
        print(url)
        print('-' * 10)

for i in range(10):
    get_news()
    if i == 9:
        # 如果遍歷到第十頁則跳出循環(huán)不需要點擊“下一頁”
        break
    driver.find_element_by_id("sogou_next").click()

接下來就是點擊“登錄”，然后人工完成掃碼，可以利用while True檢測登錄是否成功，是否出現(xiàn)了下一頁按鈕，如果出現(xiàn)則跳出循環(huán)，點擊“下一頁”按鈕并繼續(xù)后面的代碼，否則睡3秒后重復(fù)檢測：

driver.find_element_by_name('top_login').click()
while True:
    try:
        next_page = driver.find_element_by_id("sogou_next")
        break
    except:
        time.sleep(3)
next_page.click()

效果如圖：

然后就是重新遍歷文章了，由于不知道最后一頁是第幾頁可以使用while循環(huán)反復(fù)調(diào)用解析頁面的函數(shù)半點擊“下一頁”，如果不存在下一頁則結(jié)束循環(huán)：

while True:
    get_news()
    try:
        driver.find_element_by_id("sogou_next").click()
    except:
        break

# 最后退出瀏覽器即可
driver.quit()

看完上述內(nèi)容，你們對Python中怎么爬取微信公眾號文章有進一步的了解嗎？如果還想了解更多知識或者相關(guān)內(nèi)容，請關(guān)注億速云行業(yè)資訊頻道，感謝大家的支持。