Python selenium爬取微信公众号文章代码详解

    参照资料:selenium webdriver添加cookie: https://www.lingkb.com/article/193102.html

    需求:

    想阅读微信公众号历史文章,但是每次找回看得地方不方便。

    思路:

    1、使用selenium打开微信公众号历史文章,并滚动刷新到最底部,获取到所有历史文章urls。

    2、对urls进行遍历访问,并进行下载到本地。

    实现

    1、打开微信客户端,点击某个微信公众号->进入公众号->打开历史文章链接(使用浏览器打开),并通过开发者工具获取到cookies,保存为excel。

    2、启动webdriver,并添加相应cookies。

    
    browser = webdriver.Chrome()
    wait = WebDriverWait(browser,10)
    # 随便访问一个地址,然后才能设置cookies
    browser.get('https://httpbin.org/get')
    # 添加cookies,df为保存的excel cookies
    for i in range(len(df)):
      cookie_dict = {
              "domain": df.loc[i,'DomaiN'], 
              'name': df.loc[i,'Name'],
              'value': str(df.loc[i,'Value']),
              "expires": df.loc[i,"Expires/Max-Age"],
              'path': '/',}
      browser.add_cookie(cookie_dict)
    browser.get(weixin_url)

    3、控制浏览器下移动

    观察page_source,可以发现,文章到最底部的判断是。

    
    <div class="loadmore with_line" style="display: none;" id="js_nomore">
        <div class="tips_wrp">
          <span class="tips js_no_more_msg" style="display: none;">已无更多</span>
          <span class="tips js_need_add_contact" style="display: none;">关注公众帐号,接收更多消息</span>
        </div>
      </div>

    使用driver控制JS。

    
    %%time
    # 通过判断已无更多的style,来判断是否到最底部,最终执行到最底部
    no_more_msg_style = 'display: none;'
    while True:
      wait.until(EC.presence_of_element_located((By.XPATH,'//span[@class="tips js_no_more_msg" and text()="已无更多"]')))
      no_more= browser.find_element_by_xpath('//span[@class="tips js_no_more_msg" and text()="已无更多"]')
      now_style = no_more.get_attribute('style')
      if str(now_style).find(no_more_msg_style) == -1:
        # 说明已经加载完了
        break
      else:
        # 停顿一会,等待浏览器加载
        time.sleep(5)
        # 通过JS,执行到最底部
        browser.execute_script('window.scrollTo(0,document.body.scrollHeight)')

    4、关键信息获取。

    根据html,分析得出文章url处在<div msgid=”1000000026″>中。

    
    <div class="weui_msg_card js_card" msgid="1000000026">
          <div class="weui_msg_card_hd">2017年1月13日</div>
          <div class="weui_msg_card_bd">
             <!-- 图文 -->
                 <!-- 普通图文 -->
                <div id="WXAPPMSG1000000026" class="weui_media_box appmsg js_appmsg" hrefs="http://mp.weixin.qq.com/s?__biz=MzI5MDQ4NzU5MA==&mid=2247483748&idx=1&sn=e804e638484794181a27c094f81be8e1&chksm=ec1e6d2ddb69e43bd3e1f554c2d0cedb37f099252f122cee1ac5052b589b56f428b2c304de8e&scene=38#wechat_redirect" data-t="0">
                  <span class="weui_media_hd js_media" style="background-image:url(http://mmbiz.qpic.cn/mmbiz_jpg/XibhQ5tjv6dG9B4GF1C9MGBJO5AR2wvjCL9LgdcFgAdEgyU8wZFuDXoH9O9dNvafwK3RibCjUyiarIlUDlkxbcyfQ/640?wx_fmt=jpeg)" data-s="640" hrefs="http://mp.weixin.qq.com/s?__biz=MzI5MDQ4NzU5MA==&mid=2247483748&idx=1&sn=e804e638484794181a27c094f81be8e1&chksm=ec1e6d2ddb69e43bd3e1f554c2d0cedb37f099252f122cee1ac5052b589b56f428b2c304de8e&scene=38#wechat_redirect" data-type="APPMSG">
                  </span>
                  <div class="weui_media_bd js_media" data-type="APPMSG">
                    <h4 class="weui_media_title" hrefs="http://mp.weixin.qq.com/s?__biz=MzI5MDQ4NzU5MA==&mid=2247483748&idx=1&sn=e804e638484794181a27c094f81be8e1&chksm=ec1e6d2ddb69e43bd3e1f554c2d0cedb37f099252f122cee1ac5052b589b56f428b2c304de8e&scene=38#wechat_redirect">
                      承认自己是难民有什么错
                    </h4>
                    <p class="weui_media_desc">枷锁已经足够沉重,谢绝道德绑架</p>
                    <p class="weui_media_extra_info">2017年1月13日</p>
                  </div>
                </div> 
          </div>
        </div>

    文章类型主要分为,

    <div class=”weui_media_bd js_media” data-type=”APPMSG”>
    <div class=”weui_media_bd js_media” data-type=”TEXT”>

    有无原创进行划分。

    最终实现:

    
    %%time
    result = []
    errlist = []
    # 先得到其中一个
    el_divs = browser.find_elements_by_xpath('//div[@class="weui_msg_card_list"]/div[@class="weui_msg_card js_card"]')
    i = 0
    for div in el_divs:
      date = title = url = yuanchuang = ''
      try:
        date = div.find_element_by_xpath('.//div[@class="weui_msg_card_hd"]').get_attribute('innerHTML')
        el_content = div.find_element_by_xpath('.//div[@class="weui_media_bd js_media"]')
        if el_content.get_attribute('data-type') == 'APPMSG':
          el = el_content.find_element_by_xpath('./h4[@class="weui_media_title"]')
          title = el.text
          url = el.get_attribute('hrefs')
          xb = el_content.find_element_by_xpath('./p[@class="weui_media_extra_info"]').text
          yuanchuang = '原创' if xb.find('原创') != -1 else ''
        elif el_content.get_attribute('data-type') == 'TEXT':
          title = '随文'
          url = el_content.find_element_by_xpath('./div').text
          yuanchuang = '原创'
        else:
          # 其他未能识别的类型
          errlist.append([i,div.get_attribute('innerHTML')])
      except NoSuchElementException:
        errlist.append([i,div.get_attribute('innerHTML')])
      print(str(i),':',date,title,url,yuanchuang)
      result.append([date,title,yuanchuang,url])
      i = i + 1

    5、将得到url保存到excel

    dfout = pd.DataFrame(result, columns=[‘日期’, ‘标题’, ‘原创’, ‘地址’])
    with pd.ExcelWriter(savename) as writer:
    dfout.to_excel(writer,index=False,sheet_name = ‘Sheet1’)

    最终保存形式

    6、在遍历最后的链接地址,逐个requets保存,即可得到。组建成菜单形式的文章,可参考

    记一次 excel vba 参考手册爬虫实战,不必要的一次爬虫。:htthttps://www.lingkb.com/article/193107.htm

    遇到的坑:

    1、find_element_by_xpath 需要配上 NoSuchElementException 使用,否则遇到未找到的节点就会出错,最初find_elements_by_xpath 来防止找不到相关节点,结果发现,执行速度异常的慢,需要查找原因。

    2、cookies使用的时候是人为获取,如果太长时间不用,需要重新获取。可以考虑结合pyautogui来控制weixin客户端来进行获取。?

    3、构建的时候,最后分布试行,最初的文章类型没有做好判断,结果执行时间很久。做好异常捕获,再逐步分析错误的节点问题。

    以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持lingkb。