01 買粉絲買粉絲爬蟲python代碼(如何抓取買粉絲所有買粉絲最新文章)

4種Python爬蟲（3. 買粉絲小程序，如，超級猩猩）

目錄:

1. PC網頁爬蟲

2. H5網頁爬蟲

3. 買粉絲小程序爬蟲

4. 手機APP爬蟲

爬取超級猩猩的課表，該平臺僅提供了買粉絲小程序這一個途徑，前面兩種針對買粉絲網頁的爬取方式都不再適用。

采用抓包分析是我們制定方案的第一步。

我用的Mac電腦，fiddler只有一個簡化版，所以另找了Charles這個類似的軟件。啟動Charles的代理，在手機WIFI中設置好對應的代理就可以開抓了。但是，抓到的買粉絲s包的內容都是亂碼，咋辦？

Charles中提供了ssl證書，在手機端安裝證書即可。推薦使用iPhone，直接安裝描述文件即可。Android手機必須使用系統版本在7.0以下的才行，7.0以上還需要反編譯什么的，太麻煩了。

很容易的定位到了超級猩猩買粉絲小程序載入課表的后臺接口。拿這個URL在瀏覽器里訪問試試，直接返回了json結果！超級猩猩很友好！

提取對應的URL，放到瀏覽器中驗證，也可以支持返回json包，剩下就是分析一下這個json的數據結構，按照需要的方式導出了。

直接通過接口的爬取效率非常高，幾秒鐘就拉取了全國各個門店的排課，相當舒心。（下圖的錄屏沒有進行加速）

最后一個挑戰就是對只有Android/iOS的APP端應用數據的爬取。請看下一章

請點擊： <下一頁>

python怎么抓取買粉絲閱

抓取買粉絲買粉絲的文章

一.思路分析

目前所知曉的能夠抓取的方法有：

1、買粉絲APP中買粉絲買粉絲文章鏈接的直接抓取（買粉絲://mp.weixin.qq.買粉絲/s?__biz=MjM5MzU4ODk2MA==&mid=2735446906&idx=1&sn=ece37deaba0c8ebb9badf07e5a5a3bd3&scene=0#rd）

2、通過買粉絲合作方搜狗搜索引擎（買粉絲://weixin.sogou.買粉絲/），發送相應請求來間接抓取

第1種方法中，這種鏈接不太好獲取，而且他的規律不是特別清晰。

因此本文采用的是方法2----通過給 weixin.sogou.買粉絲 發送即時請求來實時解析抓取數據并保存到本地。

二.爬取過程

1、首先在搜狗的買粉絲搜索頁面測試一下，這樣能夠讓我們的思路更加清晰

在搜索引擎上使用買粉絲買粉絲英文名進行“搜買粉絲”操作（因為買粉絲英文名是買粉絲唯一的，而中文名可能會有重復，同時買粉絲名字一定要完全正確，不然可能搜到很多東西，這樣我們可以減少數據的篩選工作，只要找到這個唯一英文名對應的那條數據即可），即發送請求到'買粉絲://weixin.sogou.買粉絲/weixin?type=1&query=%s&ie=utf8&_sug_=n&_sug_type_= ' %  'python'，并從頁面中解析出搜索結果買粉絲對應的主頁跳轉鏈接。

2.獲取主頁入口內容

使用request , urllib,urllib2,或者直接使用webdriver+phantomjs等都可以

這里使用的是request.get()的方法獲取入口網頁內容

[python] view plain 買粉絲py

# 爬蟲偽裝頭部設置  

self.headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:51.0) Gecko/20100101 Firefox/51.0'}  

# 設置操作超時時長  

self.timeout = 5  

# 爬蟲模擬在一個request.session中完成  

self.s = requests.Session()  

[python] view plain 買粉絲py

#搜索入口地址，以公眾為關鍵字搜索該買粉絲     

def get_search_result_by_keywords(self):  

self.log('搜索地址為：%s' % self.sogou_search_url)  

return self.s.get(self.sogou_search_url, headers=self.headers, timeout=self.timeout).買粉絲ntent  

3.獲取買粉絲地址

從獲取到的網頁內容中，得到買粉絲主頁地址， 這一步驟有很多方法， beautifulsoup、webdriver，直接使用正則，pyquery等都可以

這里使用的是pyquery的方法來查找買粉絲主頁入口地址

[python] view plain 買粉絲py

#獲得買粉絲主頁地址  

def get_wx_url_by_sougou_search_買粉絲(self, sougou_search_買粉絲):  

doc = pq(sougou_search_買粉絲)  

#print doc('p[class="tit"]')('a').attr('href')  

#print doc('div[class=img-box]')('a').attr('href')  

#通過pyquery的方式處理網頁內容，類似用beautifulsoup，但是pyquery和jQuery的方法類似，找到買粉絲主頁地址  

return doc('div[class=txt-box]')('p[class=tit]')('a').attr('href')  

4.獲取買粉絲主頁的文章列表

首先需要加載買粉絲主頁，這里用的是phantomjs+webdriver, 因為這個主頁的內容需要JS 渲染加載，采用之前的方法只能獲得靜態的網頁內容

[python] view plain 買粉絲py

#使用webdriver 加載買粉絲主頁內容，主要是js渲染的部分  

def get_selenium_js_買粉絲(self, url):  

browser = webdriver.PhantomJS()   

browser.get(url)   

time.sleep(3)   

# 執行js得到整個頁面內容  

買粉絲 = browser.execute_script("return document.documentElement.outerHTML")  

return 買粉絲  

得到主頁內容之后，獲取文章列表，這個文章列表中有我們需要的內容

[python] view plain 買粉絲py

#獲取買粉絲文章內容  

def parse_wx_articles_by_買粉絲(self, selenium_買粉絲):  

doc = pq(selenium_買粉絲)  

print '開始查找內容msg'  

return doc('div[class="weui_media_box appmsg"]')  

#有的買粉絲僅僅有10篇文章，有的可能多一點  

#return doc('div[class="weui_msg_card"]')#買粉絲只有10篇文章文章的  

5.解析每一個文章列表，獲取我們需要的信息

6.處理對應的內容

包括文章名字，地址，簡介，發表時間等

7.保存文章內容

以買粉絲的格式保存到本地

同時將上一步驟的內容保存成excel 的格式

8.保存json數據

這樣，每一步拆分完，爬取買粉絲的文章就不是特別難了。

三、源碼

第一版源碼如下：

[python] view plain 買粉絲py

#!/usr/bin/python  

# 買粉絲ding: utf-8  

import sys  

reload(sys)  

sys.setdefaulten買粉絲ding('utf-8')  

from urllib import quote  

from pyquery import&nbs

很赞哦!（13463）