本文目录一览：
- 1、Python与爬虫有什么关系？
- 2、python怎么抓取微信阅
- 3、想使用php和python做一个爬虫并且微信提醒的功能
- 4、如何利用爬虫爬微信公众号的内容？
- 5、微信聊天记录使用python爬虫到底能采集吗
Python与爬虫有什么关系？
爬虫一般是指网络资源的抓取，因为python的脚本特性，python易于配置，对字符的处理也非常灵活，加上python有丰富的网络抓取模块，所以两者经常联系在一起。 简单的用python自己的urllib库也可以;用python写一个搜索引擎，而搜索引擎就是一个复杂的爬虫。从这里你就了解了什么是Python爬虫，是基于Python编程而创造出来的一种网络资源的抓取方式，Python并不是爬虫。
Python为什么适合些爬虫?
1)抓取网页本身的接口
相比与其他静态编程语言，如java，c#，C++，python抓取网页文档的接口更简洁;相比其他动态脚本语言，如perl，shell，python的urllib2包提供了较为完整的访问网页文档的API。(当然ruby也是很好的选择)
此外，抓取网页有时候需要模拟浏览器的行为，很多网站对于生硬的爬虫抓取都是封杀的。这是我们需要模拟user agent的行为构造合适的请求，譬如模拟用户登陆、模拟session/cookie的存储和设置。在python里都有非常优秀的第三方包帮你搞定，如Requests，mechanize
2)网页抓取后的处理
抓取的网页通常需要处理，比如过滤html标签，提取文本等。python的beautifulsoap提供了简洁的文档处理功能，能用极短的代码完成大部分文档的处理。
其实以上功能很多语言和工具都能做，但是用python能够干得最快，最干净。Life is short， u need python.
python怎么抓取微信阅
抓取微信公众号的文章
一.思路分析
目前所知晓的能够抓取的方法有：
1、微信APP中微信公众号文章链接的直接抓取（;mid=2735446906idx=1sn=ece37deaba0c8ebb9badf07e5a5a3bd3scene=0#rd）
2、通过微信合作方搜狗搜索引擎（），发送相应请求来间接抓取
第1种方法中，这种链接不太好获取，而且他的规律不是特别清晰。
因此本文采用的是方法2----通过给 weixin.sogou.com 发送即时请求来实时解析抓取数据并保存到本地。
二.爬取过程
1、首先在搜狗的微信搜索页面测试一下，这样能够让我们的思路更加清晰
在搜索引擎上使用微信公众号英文名进行“搜公众号”操作（因为公众号英文名是公众号唯一的，而中文名可能会有重复，同时公众号名字一定要完全正确，不然可能搜到很多东西，这样我们可以减少数据的筛选工作，只要找到这个唯一英文名对应的那条数据即可），即发送请求到';query=%sie=utf8_sug_=n_sug_type_= ' % 'python'，并从页面中解析出搜索结果公众号对应的主页跳转链接。
2.获取主页入口内容
使用request , urllib,urllib2,或者直接使用webdriver+phantomjs等都可以
这里使用的是request.get()的方法获取入口网页内容
[python] view plain copy
# 爬虫伪装头部设置
self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:51.0) Gecko/20100101 Firefox/51.0'}
# 设置操作超时时长
self.timeout = 5
# 爬虫模拟在一个request.session中完成
self.s = requests.Session()
[python] view plain copy
#搜索入口地址，以公众为关键字搜索该公众号
def get_search_result_by_keywords(self):
self.log('搜索地址为：%s' % self.sogou_search_url)
return self.s.get(self.sogou_search_url, headers=self.headers, timeout=self.timeout).content
3.获取公众号地址
从获取到的网页内容中，得到公众号主页地址， 这一步骤有很多方法， beautifulsoup、webdriver，直接使用正则，pyquery等都可以
这里使用的是pyquery的方法来查找公众号主页入口地址
[python] view plain copy
#获得公众号主页地址
def get_wx_url_by_sougou_search_html(self, sougou_search_html):
doc = pq(sougou_search_html)
#print doc('p[class="54e7-2eb3-cc92-d592 tit"]')('a').attr('href')
#print doc('div[class=img-box]')('a').attr('href')
#通过pyquery的方式处理网页内容，类似用beautifulsoup，但是pyquery和jQuery的方法类似，找到公众号主页地址
return doc('div[class=txt-box]')('p[class=tit]')('a').attr('href')
4.获取公众号主页的文章列表
首先需要加载公众号主页，这里用的是phantomjs+webdriver, 因为这个主页的内容需要JS 渲染加载，采用之前的方法只能获得静态的网页内容
[python] view plain copy
#使用webdriver 加载公众号主页内容，主要是js渲染的部分
def get_selenium_js_html(self, url):
browser = webdriver.PhantomJS()
browser.get(url)
time.sleep(3)
# 执行js得到整个页面内容
html = browser.execute_script("return document.documentElement.outerHTML")
return html
得到主页内容之后，获取文章列表，这个文章列表中有我们需要的内容
[python] view plain copy
#获取公众号文章内容
def parse_wx_articles_by_html(self, selenium_html):
doc = pq(selenium_html)
print '开始查找内容msg'
return doc('div[class="2eb3-cc92-d592-816c weui_media_box appmsg"]')
#有的公众号仅仅有10篇文章，有的可能多一点
#return doc('div[class="cc92-d592-816c-1482 weui_msg_card"]')#公众号只有10篇文章文章的
5.解析每一个文章列表，获取我们需要的信息
6.处理对应的内容
包括文章名字，地址，简介，发表时间等
7.保存文章内容
以html的格式保存到本地
同时将上一步骤的内容保存成excel 的格式
8.保存json数据
这样，每一步拆分完，爬取公众号的文章就不是特别难了。
三、源码
第一版源码如下：
[python] view plain copy
#!/usr/bin/python
# coding: utf-8
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
from urllib import quote
from pyquery import PyQuery as pq
from selenium import webdriver
import requests
import time
import re
import json
import os
class weixin_spider:
def __init__(self, kw):
' 构造函数 '
self.kw = kw
# 搜狐微信搜索链接
#self.sogou_search_url = ';query=%sie=utf8_sug_=n_sug_type_=' % quote(self.kw)
self.sogou_search_url = ';query=%sie=utf8s_from=input_sug_=n_sug_type_=' % quote(self.kw)
# 爬虫伪装
self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:47.0) Gecko/20100101 FirePHP/0refox/47.0 FirePHP/0.7.4.1'}
# 操作超时时长
self.timeout = 5
self.s = requests.Session()
def get_search_result_by_kw(self):
self.log('搜索地址为：%s' % self.sogou_search_url)
return self.s.get(self.sogou_search_url, headers=self.headers, timeout=self.timeout).content
def get_wx_url_by_sougou_search_html(self, sougou_search_html):
' 根据返回sougou_search_html，从中获取公众号主页链接 '
doc = pq(sougou_search_html)
#print doc('p[class="d592-816c-1482-4993 tit"]')('a').attr('href')
#print doc('div[class=img-box]')('a').attr('href')
#通过pyquery的方式处理网页内容，类似用beautifulsoup，但是pyquery和jQuery的方法类似，找到公众号主页地址
return doc('div[class=txt-box]')('p[class=tit]')('a').attr('href')
def get_selenium_js_html(self, wx_url):
' 执行js渲染内容，并返回渲染后的html内容 '
browser = webdriver.PhantomJS()
browser.get(wx_url)
time.sleep(3)
# 执行js得到整个dom
html = browser.execute_script("return document.documentElement.outerHTML")
return html
def parse_wx_articles_by_html(self, selenium_html):
' 从selenium_html中解析出微信公众号文章 '
doc = pq(selenium_html)
return doc('div[class="816c-1482-4993-29e6 weui_msg_card"]')
def switch_arctiles_to_list(self, articles):
' 把articles转换成数据字典 '
articles_list = []
i = 1
if articles:
for article in articles.items():
self.log(u'开始整合(%d/%d)' % (i, len(articles)))
articles_list.append(self.parse_one_article(article))
i += 1
# break
return articles_list
def parse_one_article(self, article):
' 解析单篇文章 '
article_dict = {}
article = article('.weui_media_box[id]')
title = article('h4[class="1482-4993-29e6-03f8 weui_media_title"]').text()
self.log('标题是： %s' % title)
url = '' + article('h4[class="4993-29e6-03f8-eaf9 weui_media_title"]').attr('hrefs')
self.log('地址为： %s' % url)
summary = article('.weui_media_desc').text()
self.log('文章简述： %s' % summary)
date = article('.weui_media_extra_info').text()
self.log('发表时间为： %s' % date)
pic = self.parse_cover_pic(article)
content = self.parse_content_by_url(url).html()
contentfiletitle=self.kw+'/'+title+'_'+date+'.html'
self.save_content_file(contentfiletitle,content)
return {
'title': title,
'url': url,
'summary': summary,
'date': date,
'pic': pic,
'content': content
}
def parse_cover_pic(self, article):
' 解析文章封面图片 '
pic = article('.weui_media_hd').attr('style')
p = re.compile(r'background-image:url(.∗?)')
rs = p.findall(pic)
self.log( '封面图片是：%s ' % rs[0] if len(rs) 0 else '')
return rs[0] if len(rs) 0 else ''
def parse_content_by_url(self, url):
' 获取文章详情内容 '
page_html = self.get_selenium_js_html(url)
return pq(page_html)('#js_content')
def save_content_file(self,title,content):
' 页面内容写入文件 '
with open(title, 'w') as f:
f.write(content)
def save_file(self, content):
' 数据写入文件 '
with open(self.kw+'/'+self.kw+'.txt', 'w') as f:
f.write(content)
def log(self, msg):
' 自定义log函数 '
print u'%s: %s' % (time.strftime('%Y-%m-%d %H:%M:%S'), msg)
def need_verify(self, selenium_html):
' 有时候对方会封锁ip，这里做一下判断，检测html中是否包含id=verify_change的标签，有的话，代表被重定向了，提醒过一阵子重试 '
return pq(selenium_html)('#verify_change').text() != ''
def create_dir(self):
'创建文件夹'
if not os.path.exists(self.kw):
os.makedirs(self.kw)
def run(self):
' 爬虫入口函数 '
#Step 0 ： 创建公众号命名的文件夹
self.create_dir()
# Step 1：GET请求到搜狗微信引擎，以微信公众号英文名称作为查询关键字
self.log(u'开始获取，微信公众号英文名为：%s' % self.kw)
self.log(u'开始调用sougou搜索引擎')
sougou_search_html = self.get_search_result_by_kw()
# Step 2：从搜索结果页中解析出公众号主页链接
self.log(u'获取sougou_search_html成功，开始抓取公众号对应的主页wx_url')
wx_url = self.get_wx_url_by_sougou_search_html(sougou_search_html)
self.log(u'获取wx_url成功，%s' % wx_url)
# Step 3：Selenium+PhantomJs获取js异步加载渲染后的html
self.log(u'开始调用selenium渲染html')
selenium_html = self.get_selenium_js_html(wx_url)
# Step 4: 检测目标网站是否进行了封锁
if self.need_verify(selenium_html):
self.log(u'爬虫被目标网站封锁，请稍后再试')
else:
# Step 5: 使用PyQuery，从Step 3获取的html中解析出公众号文章列表的数据
self.log(u'调用selenium渲染html完成，开始解析公众号文章')
articles = self.parse_wx_articles_by_html(selenium_html)
self.log(u'抓取到微信文章%d篇' % len(articles))
# Step 6: 把微信文章数据封装成字典的list
self.log(u'开始整合微信文章数据为字典')
articles_list = self.switch_arctiles_to_list(articles)
# Step 7: 把Step 5的字典list转换为Json
self.log(u'整合完成，开始转换为json')
data_json = json.dumps(articles_list)
# Step 8: 写文件
self.log(u'转换为json完成，开始保存json数据到文件')
self.save_file(data_json)
self.log(u'保存完成，程序结束')
# main
if __name__ == '__main__':
gongzhonghao=raw_input(u'输入要爬取的公众号')
if not gongzhonghao:
gongzhonghao='python6359'
weixin_spider(gongzhonghao).run()
第二版代码：
对代码进行了一些优化和整改，主要：
1.增加了excel存贮
2.对获取文章内容规则进行修改
3.丰富了注释
本程序已知缺陷： 如果公众号的文章内容包括视视频，可能会报错。
[python] view plain copy
#!/usr/bin/python
# coding: utf-8
想使用php和python做一个爬虫并且微信提醒的功能
可以考虑重新安装pip，这里要强调下yum是依赖python你安装新版本 ，要注意修改yum的参数
如何利用爬虫爬微信公众号的内容？
过程很繁琐，步骤如下：
1、写按键精灵脚本，在手机上自动点击公号文章列表页，也就是“查看历史消息”；
2、使用fiddler代理劫持手机端的访问，将网址转发到本地用php写的网页；
3、在php网页上将接收到的网址备份到数据库；
4、用python从数据库取出网址，然后进行正常的爬取。
如果只是想爬取文章内容，似乎并没有访问频率限制，但如果想抓取阅读数、点赞数，超过一定频率后，返回就会变为空值，我设定的时间间隔为10秒，可以正常抓取，这种频率下，一个小时只能抓取360条，已经没什么实际意义了。
微信公众号数据储存
1、腾讯不对你在本服务中相关数据的删除或储存失败负责。
2、腾讯有权根据实际情况自行决定单个用户在本服务中数据的最长储存期限，并在服务器上为其分配数据最大存储空间等。你可根据自己的需要自行备份本服务中的相关数据。
3、如果你停止使用本服务或服务被终止或取消，腾讯可以从服务器上永久地删除你的数据。服务停止、终止或取消后，腾讯没有义务向你返还任何数据。
微信聊天记录使用python爬虫到底能采集吗
首先，下载互盾苹果恢复大师，先安装好备用。
第二，打开“互盾苹果恢复大师”软件，看到界面上“从iTunes备份文件中恢复”，点击即可。
第三，此时你可以看到软件正在扫描手机数据，等待扫描完成即可。
第四，扫描完成后，可以看到界面上有“微信”、“短信”等栏目显示，点击“微信”即可恢复微信的内容。
最后，点击“微信”后可以在右侧直接看到内容，也可以选择“导出”。
