拒绝低效!Python教你爬虫公众号文章和链接

拒绝低效!Python教你爬虫公众号文章和链接

 前言

上一篇文章整理了的公众号所有文章的导航链接,其实如果手动整理起来的话,是一件很费力的事情,因为公众号里添加文章的时候只能一篇篇的选择,是个单选框。

拒绝低效!Python教你爬虫公众号文章和链接

面对几百篇的文章,这样一个个选择的话,是一件苦差事。

pk哥作为一个 Pythoner,当然不能这么低效,我们用爬虫把文章的标题和链接等信息提取出来。

抓包

我们需要通过抓包提取公众号文章的请求的 URL,参考之前写过的一篇抓包的文章 Python爬虫APP前的准备,pk哥这次直接抓取 PC 端微信的公众号文章列表信息,更简单。

我以抓包工具 Charles 为例,勾选容许抓取电脑的请求,一般是默认就勾选的。

拒绝低效!Python教你爬虫公众号文章和链接

为了过滤掉其他无关请求,我们在左下方设置下我们要抓取的域名。

拒绝低效!Python教你爬虫公众号文章和链接

打开 PC 端微信,打开 「Python知识圈」公众号文章列表后,Charles 就会抓取到大量的请求,找到我们需要的请求,返回的 JSON 信息里包含了文章的标题、摘要、链接等信息,都在 comm_msg_info 下面。

拒绝低效!Python教你爬虫公众号文章和链接

拒绝低效!Python教你爬虫公众号文章和链接

这些都是请求链接后的返回,请求链接 url 我们可以在 Overview 中查看。

拒绝低效!Python教你爬虫公众号文章和链接

通过抓包获取了这么多信息后,我们可以写爬虫爬取所有文章的信息并保存了。

初始化函数

公众号历史文章列表向上滑动,加载更多文章后发现链接中变化的只有 offset 这个参数,我们创建一个初始化函数,加入代理 IP,请求头和信息,请求头包含了 User-Agent、Cookie、Referer。

拒绝低效!Python教你爬虫公众号文章和链接

这些信息都在抓包工具可以看到。

拒绝低效!Python教你爬虫公众号文章和链接

请求数据

通过抓包分析出来了请求链接,我们就可以用 requests 库来请求了,用返回码是否为 200 做一个判断,200 的话说明返回信息正常,我们再构建一个函数 parse_data() 来解析提取我们需要的返回信息。

def request_data(self): 
    try: 
        response = requests.get(self.base_url.format(self.offset), headers=self.headers, proxies=self.proxy) 
        print(self.base_url.format(self.offset)) 
        if 200 == response.status_code: 
           self.parse_data(response.text) 
    except Exception as e: 
        print(e) 
        time.sleep(2) 
        pass 

提取数据

通过分析返回的 Json 数据,我们可以看到,我们需要的数据都在 app_msg_ext_info 下面。

拒绝低效!Python教你爬虫公众号文章和链接

我们用 json.loads 解析返回的 Json 信息,把我们需要的列保存在 csv 文件中,有标题、摘要、文章链接三列信息,其他信息也可以自己加。

def parse_data(self, responseData): 
            all_datas = json.loads(responseData) 
            if 0 == all_datas['ret'] and all_datas['msg_count']>0: 
                summy_datas = all_datas['general_msg_list'] 
                datas = json.loads(summy_datas)['list'] 
                a = [] 
                for data in datas: 
                    try: 
                        title = data['app_msg_ext_info']['title'] 
                        title_child = data['app_msg_ext_info']['digest'] 
                        article_url = data['app_msg_ext_info']['content_url'] 
                        info = {} 
                        info['标题'] = title 
                        info['小标题'] = title_child 
                        info['文章链接'] = article_url 
                        a.append(info) 
                    except Exception as e: 
                        print(e) 
                        continue 
 
                print('正在写入文件') 
                with open('Python公众号文章合集1.csv', 'a', newline='', encoding='utf-8') as f: 
                    fieldnames = ['标题', '小标题', '文章链接']  # 控制列的顺序 
                    writer = csv.DictWriter(f, fieldnames=fieldnames) 
                    writer.writeheader() 
                    writer.writerows(a) 
                    print("写入成功") 
 
                print('----------------------------------------') 
                time.sleep(int(format(random.randint(2, 5)))) 
                self.offset = self.offset+10 
                self.request_data() 
            else: 
                print('抓取数据完毕!') 

这样,爬取的结果就会以 csv 格式保存起来。

运行代码时,可能会遇到 SSLError 的报错,最快的解决办法就是 base_url 前面的 https 去掉 s 再运行。

保存markdown格式的链接

经常写文章的人应该都知道,一般写文字都会用 Markdown 的格式来写文章,这样的话,不管放在哪个平台,文章的格式都不会变化。

在 Markdown 格式里,用 [文章标题](文章url链接) 表示,所以我们保存信息时再加一列信息就行,标题和文章链接都获取了,Markdown 格式的 url 也就简单了。

md_url = '[{}]'.format(title) + '({})'.format(article_url) 

爬取完成后,效果如下。

拒绝低效!Python教你爬虫公众号文章和链接

我们把 md链接这一列全部粘贴到 Markdown 格式的笔记里就行了,大部分的笔记软件都知道新建 Markdown 格式的文件的。

相关推荐