获取任何你想爬取的微信公众号文章
本程序通过输入关键字（如CSDN）就会获取到所有包含关键字(如CSDN)的公众号。在逐一获取所有公众号下所有文章。当然，这只是理想情况，腾讯的反爬不是一般的厉害，他会直接封掉你的账号。而每个账号又直接和微信号挂钩，所以目前我还不知道如何解决。是什么地方和微信号挂钩呢，在登录公众号的时候需要用微信扫描二维码登录。
如果持续爬取，每个账号一次大概会封一个小时左右，每天有几次机会，之后会封24小时。所以多的时候一天大概能爬取几千篇微信文章。当然，我们只是纯粹的技术交流，爬取到的微信文章切不可商用，因为有版权问题。尊重版权是一种进步。
具体微信公众号的入口就用自己的微信公众号作为入口，在发布文章时有个链接功能，那就是入口。具体的描述网上有很多，在此就不详细叙述了。
我的代码对爬取数量进行了限制，每个公众号最多爬取20页文章（可以在代码中改变），为的是能够多爬取一些公众号。
如果你需要持续的爬取某个公众号，在账号被封掉之后，你可以记录下当前爬取到公众号的多少页，以及某个公众号文章的多少页。下次直接在代码中改为该页数就能持续爬取了。
不多说了，更多具体的细节，都在代码中了。
我保证 慢慢看懂以下的代码，对爬取微信公众号 一定不会让你失望的。
#获取微信公众号，进行整站爬取
from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.common.exceptions import TimeoutException
import time
import json
import requests
import re
import random
from pyquery import PyQuery
from requests import RequestException
import csv
wechat_url = "https://mp.weixin.qq.com/" #公众号主页
account = "***************" #请使用自己的微信公众号登录账户
password = "***************" #请使用自己的微信公众号登录密码
wechat_official_url = "https://mp.weixin.qq.com/cgi-bin/searchbiz?" #公众号搜索页面，获取公众号列表
header = {
"Host": "mp.weixin.qq.com",
"User - Agent": "Mozilla / 5.0(WindowsNT10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 71.0.3578.98Safari / 537.36"
}
article_url = "https://mp.weixin.qq.com/cgi-bin/appmsg?" #文章页面，获取文章列表
data_count = 1
ip_pool=list()
proxy_ip=None
#读取代理IP,获得所有Ip
def get_ip_pool():
with open("proxy_ip.txt","r",encoding="utf-8") as f:
content = f.readlines()
for i in range(len(content)):
content[i] = content[i].rstrip("\n").replace('\"', "")
ip_pool.append(content[i])
#获取代理Ip
def get_proxy_ip():
global proxy_ip
proxy_ip = ip_pool[random.randint(0,len(ip_pool)-1)]
#打开微信公众号主页面,登录微信公众号
#获取cookie信息
def open_wechat_official():
browser = webdriver.Chrome()
wait = WebDriverWait(browser, 2)
try:
post = {}
browser.get(wechat_url)
input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,"#header > div.banner > div > div > form > div.login_input_panel > div:nth-child(1) > div > span > input")))
input.clear()
input.send_keys(account)
psword = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,"#header > div.banner > div > div > form > div.login_input_panel > div:nth-child(2) > div > span > input")))
psword.clear()
psword.send_keys(password)
time.sleep(2)
submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,"#header > div.banner > div > div > form > div.login_btn_panel > a")))
submit.click()
time.sleep(15) #等待用户手机扫码登录
#将cookies写入文件，进行保存，长期使用
cookies_items = browser.get_cookies()
# print(cookies_items)
for cookie_item in cookies_items:
post [cookie_item["name"]] = cookie_item["value"]
cookie_str = json.dumps(post)
with open("cookie.txt","w+",encoding="utf-8") as f:
f.write(cookie_str)
except TimeoutException:
open_wechat_official()
#开始微信公众号的爬取
# 获取token和cookie
def get_token_and_cookie():
with open ("cookie.txt","r",encoding="utf-8") as f:
cookie = f.read()
cookies = json.loads(cookie)
response = requests.get(url = wechat_url,headers=header,cookies=cookies)
# print(response.url)
pattern = re.compile("token=(\d+)",re.S)
token = re.search(pattern,str(response.url))[1]
# print(token)
return cookies,token
#进入微信公众号的接口处，输入关键字
#获取fakeid
def get_wechat_fakeid(cookies,token,keyword):
query_id = {
"action" :"search_biz",
"token" :token,
"lang" : "zh_CN",
"f" : "json",
"ajax" : 1,
"random" : random.random(),
"query" : keyword,
"begin" : "0", #控制页数
"count" :"5"
}
search_response = requests.get(wechat_official_url,cookies=cookies,headers=header,params=query_id)
total_offical = search_response.json().get("total")
# print(total_offical) #总的公众号个数，每页5个，自行处理
#获取搜索到的所以微信公众号
print("一共有%d个公众号" % total_offical)
for num in range(0,int(total_offical)//5):
print("第%d页公众号" % num)
begin = num*5
query_id = {
"action" :"search_biz",
"token" :token,
"lang" : "zh_CN",
"f" : "json",
"ajax" : 1,
"random" : random.random(),
"query" : keyword,
"begin" : str(begin), #控制页数
"count" :"5"
}
search_response = requests.get(wechat_official_url,cookies=cookies,headers=header,params=query_id)
for wechat_list in search_response.json().get("list"):
# print(wechat_list)
fakeid = wechat_list.get("fakeid")
nickname = wechat_list.get("nickname") #微信名
alias = wechat_list.get("alias") #微信号
print("公众号的名字是：%s " % nickname)
yield {
"fakeid" : fakeid,
"nickname" : nickname,
"alias" : alias
}
print("公众号翻页中。。。")
time.sleep(2)
#进入具体的公众号，获取文章列表
def input_wechat_get_article(cookies,token,fakeid):
query_id ={
"token" :token,
"lang" : "zh_CN",
"f" : "json",
"ajax" : 1,
"random" :random.random(),
"action" :"list_ex",
"begin" : 0, #控制页数
"count" : 5,
"query" :"",
"fakeid" :fakeid,
"type":9
}
appmsg_response = requests.get(article_url,cookies=cookies,headers=header,params=query_id)
total_article = appmsg_response.json().get("app_msg_cnt") #总文章数，每页五个，自行处理
if total_article:
print("该公众号共有%d个数据" % total_article)
#获取所有文章
total_page = int(total_article)//5
if total_page == 0 :
total_page +=1
for num in range(total_page):
if num > 20 :
break
print("该公众号的第%d页数据" % num)
begin = num*5
query_id ={
"token" :token,
"lang" : "zh_CN",
"f" : "json",
"ajax" : 1,
"random" :random.random(),
"action" :"list_ex",
"begin" : str(begin), #控制页数
"count" : 5,
"query" :"",
"fakeid" :fakeid,
"type":9
}#cookies=cookies,
appmsg_response = requests.get(article_url,cookies=cookies, headers=header, params=query_id)
if appmsg_response.json().get("base_resp").get("err_msg") == "ok":
for article in appmsg_response.json().get("app_msg_list"):
article_link_url = article.get("link")
article_title = article.get("title")
article_time = article.get("update_time")
yield {
"article_link_url" : article_link_url,
"article_title" : article_title,
"article_time" : article_time
}
print("文章翻页中.....")
time.sleep(2)
else:
time.sleep(4000)
#获取文章的html代码
def get_article_html(url):
try:
response = requests.get(url,headers=header)
if response.status_code == 200 :
return response.text
else:
return None
except RequestException:
return None
#获取文章内容
def parse_article_content(html):
doc = PyQuery(html)
content = doc(".rich_media_content p").text()
content = content.replace("\r\n", "")
content = content.replace("\n", "")
return content
#写入文件txt格式
def save_to_file(content):
with open("wechat_official.txt","a+",encoding="utf-8") as f:
f.write(json.dumps(content, ensure_ascii=False) + "\n")
f.close()
#写入文件标题
def write_title_file():
with open ("wechat_official.csv","a+",encoding="utf-8-sig",newline="") as f:
wea_for=csv.writer(f,delimiter=",")
wea_for.writerow(["微信名","微信号","标题","时间","内容"])
#写入文件内容
def write_content_file(content):
with open ("wechat_official.csv","a+",encoding="utf-8-sig",newline="") as f:
wea_for=csv.writer(f,delimiter=",")
wea_for.writerow([content["nickname"],content["alias"],content["title"],content["date"],content["content"]])
#主函数
def main():
global data_count
open_wechat_official() #获取cookies，一般不用每次都运行，每天运行一次
write_title_file()
cookies,token = get_token_and_cookie()
keyword = input("请输入要爬取的关键字:")
for wechat_official in get_wechat_fakeid(cookies,token,keyword):
# print(wechat_official)
fakeid = wechat_official["fakeid"]
nickname = wechat_official["nickname"]
alias = wechat_official["alias"]
for wechat_article in input_wechat_get_article(cookies,token,fakeid):
# print(wechat_article)
article_link_url = wechat_article["article_link_url"]
article_title = wechat_article["article_title"]
article_time = wechat_article["article_time"]
date = time.strftime("%Y-%m-%d %H:%M:%S",time.localtime(article_time))
html = get_article_html(article_link_url)
if html :
content = parse_article_content(html)
crawl_content = {
"nickname" : nickname, #微信名
"alias" : alias, #微信号
"title" : article_title,
"date" : date, #时间
"content" : content #内容
}
write_content_file(crawl_content)
# save_to_file(crawl_content)
print("获取到第%d条数据" % data_count)
data_count +=1
# print(crawl_content)
if __name__ == "__main__":
main()
运行结果如下：
。。。。。。。。。
当发现获取到的数据不再更新时，一定要停止程序，因为我在程序中设置了睡眠时间，如果等睡眠时间在爬取，那么下次极有可能会被封24小时，所以只要记住当前在第几页公众号，下次在代码中输入该页数就能继续爬取了。当然如果只是爬取一篇公众号，那么改变的位置就不同了，当然原理是一样的，就需要认真看懂代码后再操作了。当然有更好的方法可以破解这个封账号的问题，只是我不会，毕竟我也只是一个小白。
最后在展示一下爬取到的数据样式：
还请多大家多指教，相互学习。
扫一扫
3978
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
