Python自动化爬取App数据

albertjone

2019-03-20

关注关注

欢迎点击右上角关注小编，除了分享技术文章之外还有很多福利，私信学习资料可以领取包括不限于Python实战演练、PDF电子文档、面试集锦、学习资料等。

Python自动化爬取App数据

基本环境配置

版本：Python3

系统：Windows

需要安装：

1.JDK - Download JDK，Appium要求用户必须配置JAVA环境, 否则启动Seesion报错。

2.Appium - Download Appium, 安装过程请自行搜索。

3.Android SDK - Download SDK

4. Selenium - 建议使用低版本的Python Selenium库，在Chrome高版本可能会报错。例如：

pip3 install selenium==2.48.0

5. chromedriver.exe - Download Chromedriver, 确保版本要匹配, 然后将 .exe 程序放在"..Python\Python36\Scripts"目录下。

6. pymongo

pip3 install pymongo

7. MongoDB Server - Download MongoDB

爬取思路

爬取思路：

模拟登录
抓取动态
保存数据

Android SDK的安装与配置

打开Android Studio, 选择"Configure->SDK Manager->Apperance&Behavior->System Settings->Android SDK", 选择对应安卓机版本的SDK，如图：

Python自动化爬取App数据

此外，还需要将SDK所在路径添加到系统环境变量中，否则报错。

Desired Capabilites 参数

分别是：platfornName, deviceName, appPackage, appActivity。前两个可通过如下命令获取, 前提是连接手机、打开USB调试：

adb devices -l

Python自动化爬取App数据

后两个参数请移步：获取appPackage和appActivity

开启安卓的" 开发者选项、USB调试 "

测试之前，确保打开开发者选项、USB调试。开发者模式确保调试程序在手机安装辅助软件：Unlock, Appium Settings；USB调试主要是利用Appium内置驱动打开APP。此外，要保持屏幕常亮。

5. 节点ID或XPATH值获取

安卓微信节点获取，相对比较容易获取，比如获取"登录"ID值，启动Session后只需点击屏幕左侧安卓屏的登录按钮，中间就会自动定位到所在节点，最右侧还会显示该节点的所有属性。如图：

Python自动化爬取App数据

对于文本输入框，只需要点击最右侧的"send text"即可。

"是否匹配通讯录"

这里选择"否", 理由：重新登录进入微信后会自动加载本地数据，耗时较长，如果匹配通讯录好友，增加耗时，可能在TIMEOUT时间内获取不到节点，导致程序终止。我这里选择了"是", 如图：

Python自动化爬取App数据

朋友圈信息获取思路

获取当前显示的朋友圈每条状态对应的区块元素，遍历每个区块元素，再获取内部显示的用户名、正文、发布时间，代码如下：

# items存储当前页面所有发布的朋友圈信息
items = self.wait.until(
 EC.presence_of_all_elements_located(
 # 每个ej9节点对应一条朋友圈数据
 (By.XPATH, '//*[@resource-id="com.tencent.mm:id/ej9"]/android.widget.LinearLayout')))
for item in items:
 try:
 # 昵称
 nickname = item.find_element_by_id('com.tencent.mm:id/b5o').get_attribute('text')
 # 正文
 content = item.find_element_by_id('com.tencent.mm:id/ejc').get_attribute('text')
 # 日期
 date = item.find_element_by_id('com.tencent.mm:id/eec').get_attribute('text')
 # 处理日期
 date = self.processor.date(date)
 data = {
 'nickname': nickname,
 'content': content,
 'date': date,
 }

日期处理

日期处理的实现方式，代码如下：

class Processor():
 def date(self, datetime):
 """
 格式化时间
 :param date: 原始时间
 :return: 处理后时间
 """
 if re.match('\d+分钟前', datetime):
 minute = re.match('(\d+)', datetime).group(1)
 datetime = time.strftime('%Y-%m-%d', time.localtime(time.time() - float(minute) * 60))
 if re.match('\d+小时前', datetime):
 hour = re.match('(\d+)', datetime).group(1)
 datetime = time.strftime('%Y-%m-%d', time.localtime(time.time() - float(hour) * 60 * 60))
 if re.match('昨天', datetime):
 datetime = time.strftime('%Y-%m-%d', time.localtime(time.time() - 24 * 60 * 60))
 if re.match('\d+天前', datetime):
 day = re.match('(\d+)', datetime).group(1)
 datetime = time.strftime('%Y-%m-%d', time.localtime((time.time()) - float(day) * 24 * 60 * 60))
 return datetime