python爬虫——爬取微信公众号的文章及图片

news/2024/7/19 12:37:33 标签: python, 微信, 爬虫

参考

爬取公众号所有文章

想要爬取微信公众号的所有文章,微信只有文章是有地址的,如何找到这个公众号的所有文章呢?

找到该公众号的链接

打开公众号平台,找到创作图文消息

在这里插入图片描述

在这里插入图片描述
这样就找到了微信

打开检查模式,选择Network, 选择你要爬取的公众号,发现Network中刷新出了一个开头为“appmsg”开头的内容,这就是我们要分析的目标。

python">#!/usr/bin/env python
# -*- encoding: utf-8 -*-

import json
import requests
import time
import random

import yaml

with open("wechat.yaml", "r") as file:
    file_data = file.read()
config = yaml.safe_load(file_data)

headers = {
    "Cookie": config['cookie'],
    "User-Agent": config['user_agent']
}
# https://mp.weixin.qq.com/cgi-bin/appmsg?action=list_ex&begin=0&count=5&fakeid=Mzg4ODU4MzYwNw==&type=9&query=&token=518606061&lang=zh_CN&f=json&ajax=1
# 请求参数
url = "https://mp.weixin.qq.com/cgi-bin/appmsg"
begin = "0"
params = {
    "action": "list_ex",
    "begin": begin,
    "count": "5",
    "fakeid": config['fakeid'],
    "type": "9",
    "token": config['token'],
    "lang": "zh_CN",
    "f": "json",
    "ajax": "1"
}

# 存放结果
app_msg_list = []
# 在不知道公众号有多少文章的情况下,使用while语句
# 也方便重新运行时设置页数
with open("app_msg_list.csv", "w", encoding='utf-8') as file:
    file.write("文章标识符aid,标题title,链接url,时间time\n")
i = 0
while True:
    begin = i * 5
    params["begin"] = str(begin)
    # 随机暂停几秒,避免过快的请求导致过快的被查到
    time.sleep(random.randint(1, 10))
    resp = requests.get(url, headers=headers, params=params, verify=False)
    print(resp.text)
    # 微信流量控制, 退出
    if resp.json()['base_resp']['ret'] == 200013:
        print("frequencey control, stop at {}".format(str(begin)))
        time.sleep(3600)
        continue

    # 如果返回的内容中为空则结束
    if len(resp.json()['app_msg_list']) == 0:
        print("all ariticle parsed")
        break

    msg = resp.json()
    if "app_msg_list" in msg:
        for item in msg["app_msg_list"]:
            info = '"{}","{}","{}","{}"'.format(str(item["aid"]), item['title'], item['link'], str(item['create_time']))
            with open("app_msg_list.csv", "a", encoding='utf-8') as f:
                f.write(info + '\n')
        print(f"第{i}页爬取成功\n")
        print("\n".join(info.split(",")))
        print("\n\n---------------------------------------------------------------------------------\n")

    # 翻页
    i += 1

爬取图片

找到网址就可以爬取文章中的所有图片了。

python">import requests
from bs4 import BeautifulSoup
import re
import os
import csv
import socket
import time
t_default = 30
socket.setdefaulttimeout(20)
def countFile(dir):
    if not os.path.isdir(dir):
        return 0
    tmp = 0
    for item in os.listdir(dir):
        if os.path.isfile(os.path.join(dir, item)):
            tmp += 1
        else:
            tmp += countFile(os.path.join(dir, item))
    return tmp
def getHTMLText(url):
    try:
        r=requests.get(url,timeout=30)
        r.raise_for_status()
        r.encoding=r.apparent_encoding
        return r.text
    except:
        return ""
def getimgURL(html):
    soup = BeautifulSoup(html , "html.parser")
    adlist=[]
    for i in soup.find_all("img"):
        try:
            ad= re.findall(r'.*src="(.*?)?" .*',str(i))
            if ad :
                adlist.append(ad)
        except:
            continue
    return adlist
def download(adlist,root):
    #注意更改文件目录
    file_len = countFile(root)
    #root="./out/"
    for i in range(len(adlist)):
        path=root+str(i + file_len + 1)+"."+"png"
        print(path)
        if not os.path.exists(root):
            os.mkdir(root)
        if not os.path.exists(path):
            r=requests.get(adlist[i][0])
            with open(path,'wb') as f:
                f.write(r.content)
                f.close()
            r.close()
        time.sleep(1)
    print("Next!")
def img_pachong(title,url):
    html = getHTMLText(url)
    list = getimgURL(html)
    path = "./out/"
    if "真人" in title:
        path = path + "真人/"
    elif ("动漫" or "二次元") in title :#非常重要的括号
        path = path + "动漫/"
    else:
        path = path + "其他/"
        print(path)
    #path = "./out/%s/" % title
    download(list,path)
filename = "app_msg_list.csv"
with open(filename,encoding="utf-8") as f:
    render = csv.reader(f)
    header_row = next(render)
    for row in render:
        id = row[0]
        title = row[1]
        urls  = row[2]
        img_pachong(title, urls)

http://www.niftyadmin.cn/n/864727.html

相关文章

说说如何使用 Canvas 绘制弧线与曲线

绘制弧线前,我们需要先了解角度与弧度的概念。 1 角度与弧度 (1)角度 两条射线从圆心向圆周射出,形成一个夹角和夹角正对的一段弧。当弧长正好等于圆周长的 360 分之一时,两条射线的夹角的大小为1度 。( 单位 : &am…

LeetCode链表

文章目录链表两数相加[237. 删除链表中的节点 - 力扣(LeetCode)](https://leetcode-cn.com/problems/delete-node-in-a-linked-list/)删除链表的倒数第N个节点合并有序链表合并k个升序链表反转链表反转链表II删除元素删除元素II[203. 移除链表元素 - 力扣…

系统架构设计笔记(64)—— 嵌入式系统设计

嵌入式系统设计的主要任务是定义系统的功能 、 决定系统的架构,并将功能映射到系统实现架构上。这里,系统架构既包括软件系统架构也包括硬件系统架构。一种架构可以映射到各种不同的物理实现,每种实现表示不同的取舍,同时还要满足…

算法基础课第二章KMP

KMP算法用于进行字符串匹配。 暴力的方法是每次失配就从模式串的头部进行匹配,但是因为有前后缀匹配的情况,不必每次回到头部,通过一个next数组, 可以在失配时让主串i去匹配next[j],这样能很快的进行匹配。 如何使用next数组 void KMP(stri…

系统架构设计笔记(65)—— 项目的范围、时间与成本

项目管理首先要考虑三个约束条件:项目范围 、 时间进度 、 成本预算。在签订软件开发合同时要明确:项目的任务是什么?发起人要通过项目获得什么样的产品或服务?这属于项目范围的范畴;项目需要多长时间?进度…

算法基础课第二章并查集

简单并查集 (1)朴素并查集&#xff1a;int p[N]; //存储每个点的祖宗节点// 返回x的祖宗节点int find(int x){if (p[x] ! x) p[x] find(p[x]);return p[x];}// 初始化&#xff0c;假定节点编号是1~nfor (int i 1; i < n; i ) p[i] i;// 合并a和b所在的两个集合&#xf…

说说 Python 元组的高级用法

1 元组记录 元组可以当做存放数据的记录。元组中的元素用于存放记录字段数据&#xff0c;而元素所在的位置用于表达该字段的隐含含义。 Luciano Ramalho 举了这样一个示例&#xff1a; lax_coordinates(33.33,-11.92) logging.info(longitude -> %s,lax_coordinates[0]) …

算法提高课第二章迭代加深

在进行dfs时&#xff0c;有时候答案所在的层数不大&#xff0c;但是因为深搜而搜索多余的层数。迭代加深的思想是通过逐步增大搜索层数的方法&#xff0c;避免过深的搜索。因为dfs的搜索过程是指数增长的的&#xff0c;所以搜索多次在最坏情况下不会增加时间复杂度。 170. 加成…