python爬取微信公眾號(hào)的方法

本文小編為大家詳細(xì)介紹“python爬取微信公眾號(hào)的方法”，內(nèi)容詳細(xì)，步驟清晰，細(xì)節(jié)處理妥當(dāng)，希望這篇“python爬取微信公眾號(hào)的方法”文章能幫助大家解決疑惑，下面跟著小編的思路慢慢深入，一起來(lái)學(xué)習(xí)新知識(shí)吧。

pywinauto簡(jiǎn)介

pywinauto是一個(gè)python的工具，可以用于控制Windows的GUI程序。詳細(xì)的文檔可以參考這里。

WechatAutomator類(lèi)

init_window

這個(gè)方法完成類(lèi)的初始化，它的代碼為：

    def init_window(self, exe_path=r"C:Program Files (x86)TencentWeChatWeChat.exe",
                    turn_page_interval=3,
                    click_url_interval=1,
                    win_width=1000,
                    win_height=600):
        app = Application(backend="uia").connect(path=exe_path)
        self.main_win = app.window(title=u"微信", class_name="WeChatMainWndForPC")
        self.main_win.set_focus()
        self.app = app
        self.visible_top = 70
        self.turn_page_interval = turn_page_interval
        self.click_url_interval = click_url_interval
        self.browser = None
        self.win_width = win_width
        self.win_height = win_height
        # 為了讓移動(dòng)窗口，同時(shí)使用非uia的backend，這是pywinauto的uia的一個(gè)bug
        self.app2 = Application().connect(path=exe_path)
        self.move_window()

我們首先來(lái)看函數(shù)的參數(shù)：

• exe_path
  

• 微信程序的地址

• turn_page_interval
  

• 抓取翻頁(yè)時(shí)的時(shí)間間隔，默認(rèn)3s

• click_url_interval

• 在抓取一頁(yè)的url時(shí)的間隔，默認(rèn)1s

• win_width

• 設(shè)置窗口的寬度

• win_height

• 設(shè)置窗口的高度，如果顯示器的分辨率較大，可以設(shè)置的更加高一些，從而一頁(yè)包含的文章數(shù)更多一些，從而翻頁(yè)少一點(diǎn)。注意：一定要保證窗口完全可見(jiàn)，也就是說(shuō)win_height不能大于實(shí)際分辨率的高度！
  

這個(gè)函數(shù)的主要功能是構(gòu)建Application對(duì)象從而通過(guò)pywinauto實(shí)現(xiàn)控制，這里使用的是uia的backend，然后設(shè)置窗口的大小并且把窗口移到最左上角。因?yàn)楦鶕?jù)so文章，pywinauto 0.6.8存在bug，只能通過(guò)win32的backend來(lái)移到窗口，所以構(gòu)造了self.app2然后調(diào)用move_window()函數(shù)把窗口移到最左上角。

crawl_gongzhonghao

這個(gè)函數(shù)實(shí)現(xiàn)了某個(gè)公眾號(hào)的文章抓取。它的基本控制邏輯如下：

• 首先通過(guò)搜索框根據(jù)名字搜索公眾號(hào)并且點(diǎn)擊它。

• 對(duì)于當(dāng)前頁(yè)點(diǎn)擊所有的鏈接并且下載其內(nèi)容。

• 使用PAGE_DOWN鍵往下翻頁(yè)

• 需要判斷是否繼續(xù)抓取
  

第一個(gè)是通過(guò)locate_user函數(shù)實(shí)現(xiàn)，后面會(huì)介紹。第二個(gè)是通過(guò)process_page函數(shù)實(shí)現(xiàn)，后面也會(huì)介紹。判斷是否繼續(xù)抓取的邏輯為：

• 如果翻頁(yè)超過(guò)max_pages，則停止抓取

• 如果碰到某個(gè)url曾經(jīng)抓取過(guò)，那說(shuō)明之前的文章都已經(jīng)抓取過(guò)了，則停止抓取

• 如果lastest_date不是None并且一篇文章的發(fā)布日期早于它，則停止抓取

所以我們通常會(huì)在第一次抓取的時(shí)候把max_pages設(shè)置的很大(比如100)，然后通過(guò)latest_date來(lái)抓到指定的日期。而之后的抓取則設(shè)置max_pages為較小的值(比如默認(rèn)的6)，這樣只要爬蟲(chóng)在兩次抓取之間公眾號(hào)的更新不超過(guò)6頁(yè)，那么就不會(huì)漏掉文章。具體的邏輯可以參考main.py，它會(huì)把抓取的文章通過(guò)http請(qǐng)求發(fā)給Server，并且每次抓取的時(shí)候從Server查詢(xún)抓取過(guò)的文章存放到states這個(gè)list里states[i][“url”]就存儲(chǔ)了第i篇文章的url。

    def crawl_gongzhonghao(self, account_name, articles, states, detail,
                           max_pages=6, latest_date=None, no_item_retry=3):
        logger.debug(account_name)
        if not self.locate_user(account_name):
            return False
        last_visited_titles = set()
        visited_urls = set()
        self.turn_page_up(min(20, max_pages * 2))

        pagedown_retry = 0
        last_visited_titles = []
        for page in range(0, max_pages):
            items = []
            last_visited_titles = self.process_page(account_name, items, last_visited_titles, states, visited_urls, detail)
            articles.extend(items)

            if len(items) == 0:
                pagedown_retry += 1
                if pagedown_retry >= no_item_retry:
                    s = "break because of retry {}".format(pagedown_retry)
                    logger.debug(s)
                    WechatAutomator.add_to_detail(s, detail)
                    break
            else:
                pagedown_retry = 0

            if len(items) > 0 and latest_date is not None:
                html = items[-1][-1]
                pub_date = WechatAutomator.get_pubdate(html)
                if pub_date and pub_date < latest_date:
                    s = "stop because {} < {}".format(pub_date, latest_date)
                    logger.debug(s)
                    WechatAutomator.add_to_detail(s, detail)
                    break

            url_exist = False
            for item in items:
                if WechatAutomator.url_in_states(item[0], states):
                    s = "stop because url exist {}".format(item[0])
                    logger.debug(s)
                    WechatAutomator.add_to_detail(s, detail)
                    url_exist = True
                    break
            if url_exist:
                break

            self.click_right()
            self.main_win.type_keys("{PGDN}")
            time.sleep(self.turn_page_interval)

        self.turn_page_up(page * 2)

        return True

locate_user

locate_user函數(shù)的控制流程為：

• 找到左上角的搜索框并且點(diǎn)擊它獲得焦點(diǎn)

• 使用ctrl+a選中可能有的文字(之前的bug?)并且使用后退鍵刪除它們

• 輸入公眾號(hào)名稱(chēng)

• 在彈出的list里點(diǎn)擊這個(gè)公眾號(hào)名稱(chēng)從而進(jìn)入公眾號(hào)

    def locate_user(self, user, retry=5):
        if not self.main_win:
            raise RuntimeError("you should call init_window first")

        search_btn = self.main_win.child_window(title="搜索", control_type="Edit")
        self.click_center(search_btn)

        self.main_win.type_keys("^a")
        self.main_win.type_keys("{BACKSPACE}")
        self.main_win.type_keys(user)
        for i in range(retry):
            time.sleep(1)
            try:
                search_list = self.main_win.child_window(title="搜索結(jié)果")
                match_result = search_list.child_window(title=user, control_type="ListItem")
                self.click_center(match_result)
                return True
            except:
                pass

        return False

這里主要就是通過(guò)child_window函數(shù)進(jìn)行定位，關(guān)于它的用法這里不介紹。關(guān)于怎么定位元素的方法可以使用Inspect.exe或者print_control_identifiers函數(shù)，具體參考這里。

process_page

這個(gè)函數(shù)是最主要的抓取代碼，它處理當(dāng)前一頁(yè)的內(nèi)容，它的控制流程如下：

• 構(gòu)建當(dāng)前頁(yè)的tree

• 使用recursive_get函數(shù)遍歷這顆樹(shù)并且找到每篇文章對(duì)應(yīng)的element

• 遍歷每一篇文章

• 如果文章的名字在上一頁(yè)出現(xiàn)過(guò)，則跳過(guò)

• 獲得這篇文章的坐標(biāo)信息

• 如果文章不可見(jiàn)(rect.top >= win_rect.bottom or rect.bottom <= self.visible_top)則跳過(guò)

• 計(jì)算點(diǎn)擊的坐標(biāo)

• 點(diǎn)擊文章打開(kāi)新的窗口

• 在新的窗口中點(diǎn)擊【復(fù)制鏈接】按鈕

• 從剪貼板復(fù)制鏈接url

• 通過(guò)url下載文章內(nèi)容并且parse發(fā)布日期
  

邏輯比較簡(jiǎn)單，但是有一些很trick的地方：

• 微信翻頁(yè)的實(shí)現(xiàn)

• 微信客戶(hù)端的翻頁(yè)和瀏覽器不同，它的內(nèi)容是累加的，比如第一頁(yè)3篇文章，往下翻一頁(yè)可能變成6篇文章，再翻可能變成9篇。這個(gè)時(shí)候這9篇文章都是在tree中的，只不過(guò)最后3篇的坐標(biāo)(top和bottom)是空間的。

• 能否點(diǎn)擊 一篇文章對(duì)應(yīng)的框(圖)可能是部分可見(jiàn)的，甚至它的top非常接近屏幕的最下方，這個(gè)時(shí)候可能點(diǎn)不了。

與此類(lèi)似的是右上角的黑色頭部(不能滾到并且會(huì)遮擋)也有一定空間

• 點(diǎn)擊的位置
  

因?yàn)檫@個(gè)框可能很窄(bottom-top很小)并且可能在很靠上或者靠下的位置。所以有如下代碼：

    # 計(jì)算可見(jiàn)的高度
    visible_height = min(rect.bottom, win_rect.bottom) - max(rect.top, win_rect.top+self.visible_top)
    # 太窄的不點(diǎn)擊，希望下次翻頁(yè)后能顯示更多像素從而可以點(diǎn)擊，
    # 但是如果微信的某個(gè)文章的框的高度小于10個(gè)像素，那么這篇文章就無(wú)法被點(diǎn)擊
    # 不過(guò)作者目前為發(fā)現(xiàn)這么窄的文章
    if visible_height < 10:
        continue
    
    # 如果某個(gè)文章的框太大，則拋出異常，目前為止為發(fā)現(xiàn)這樣的問(wèn)題。
    if rect.bottom - rect.top >= win_rect.bottom - self.visible_top:
        raise RuntimeError("{}-{}>={}-{}".format(rect.bottom, rect.top,
                                                 win_rect.bottom, self.visible_top))
    # 如果下部部分可見(jiàn)，那么點(diǎn)擊上方是比較”安全“的
    if rect.bottom >= win_rect.bottom:
        click_up = True
    # 如果下部完全可見(jiàn)，則點(diǎn)擊下方是”安全“的
    else:
        click_up = False

完整代碼如下：

    def process_page(self, account_name, items, lastpage_clicked_titles, states, visited_urls, detail):
        clicked_titles = set()
        text = self.main_win.child_window(title=account_name, control_type="Text", found_index=0)
        parent = text
        while parent:
            parent = parent.parent()
            if '會(huì)話列表' == parent.element_info.name:
                break
        paths = [0, 2, 0, 0, 0, 1, 0]
        for idx in paths:
            parent = parent.children()[idx]

        elems = []
        self.recursive_get(parent, elems)
        win_rect = self.main_win.rectangle()
        for elem in elems:
            rect = elem.rectangle()

            if elem.element_info.name in lastpage_clicked_titles:
                continue

            if rect.top >= win_rect.bottom or rect.bottom <= self.visible_top:
                continue

            visible_height = min(rect.bottom, win_rect.bottom) - max(rect.top, win_rect.top+self.visible_top)
            if visible_height < 10:
                continue

            if rect.bottom - rect.top >= win_rect.bottom - self.visible_top:
                raise RuntimeError("{}-{}>={}-{}".format(rect.bottom, rect.top,
                                                         win_rect.bottom, self.visible_top))
            if rect.bottom >= win_rect.bottom:
                click_up = True
            else:
                click_up = False
            if self.is_bad_elem(elem):
                s = "not good elem {}".format(elem.element_info.name[0:10])
                logger.debug(s)
                WechatAutomator.add_to_detail(s, detail)
                continue

            try:
                self.click_url(rect, win_rect, click_up)
                copy_btn = self.browser.child_window(title="復(fù)制鏈接地址")
                self.click_center(copy_btn, click_main=False)
                url = clipboard.GetData()
                if elem.element_info.name != '圖片':
                    clicked_titles.add(elem.element_info.name)
                if url and not url in visited_urls:
                    visited_urls.add(url)
                    html = None
                    try:
                        html = requests.get(url).text
                    except:
                        s = "fail get {}".format(url)
                        logger.debug(s)
                        WechatAutomator.add_to_detail(s, detail)

                    items.append((url, rect, elem.element_info.name, html))

            except:
                traceback.print_exc()
                pass
            finally:
                if self.browser:
                    try:
                        self.browser.close()
                    except:
                        pass
                    self.browser = None

            time.sleep(self.click_url_interval)

        return clicked_titles

讀到這里，這篇“python爬取微信公眾號(hào)的方法”文章已經(jīng)介紹完畢，想要掌握這篇文章的知識(shí)點(diǎn)還需要大家自己動(dòng)手實(shí)踐使用過(guò)才能領(lǐng)會(huì)，如果想了解更多相關(guān)內(nèi)容的文章，歡迎關(guān)注億速云行業(yè)資訊頻道。