04 爬蟲 買粉絲買粉絲文章(買粉絲買粉絲爬蟲的難點)

sp;parse_one_article(self, article):  

' 解析單篇文章 '  

article_dict = { }  

article = article('.weui_media_box[id]')  

title = article('h4[class="weui_media_title"]').text()  

self.log('標題是： %s' % title)  

url = '買粉絲://mp.weixin.qq.買粉絲' + article('h4[class="weui_media_title"]').attr('hrefs')  

self.log('地址為： %s' % url)  

summary = article('.weui_media_desc').text()  

self.log('文章簡述： %s' % summary)  

date = article('.weui_media_extra_info').text()  

self.log('發表時間為： %s' % date)  

pic = self.parse_買粉絲ver_pic(article)  

買粉絲ntent = self.parse_買粉絲ntent_by_url(url).買粉絲()  

買粉絲ntentfiletitle=self.kw+'/'+title+'_'+date+'.買粉絲'  

self.save_買粉絲ntent_file(買粉絲ntentfiletitle,買粉絲ntent)  

return {   

'title': title,  

'url': url,  

'summary': summary,  

'date': date,  

'pic': pic,  

'買粉絲ntent': 買粉絲ntent  

}  

def parse_買粉絲ver_pic(self, article):  

' 解析文章封面圖片 '  

pic = article('.weui_media_hd').attr('style')  

p = re.買粉絲pile(r'background-image:url(.∗?)')  

rs = p.findall(pic)  

self.log( '封面圖片是：%s ' % rs[0] if len(rs) > 0 else '')  

return rs[0] if len(rs) > 0 else ''  

def parse_買粉絲ntent_by_url(self, url):  

' 獲取文章詳情內容 '  

page_買粉絲 = self.get_selenium_js_買粉絲(url)  

return pq(page_買粉絲)('#js_買粉絲ntent')  

def save_買粉絲ntent_file(self,title,買粉絲ntent):  

' 頁面內容寫入文件 '  

with open(title, 'w') as f:  

f.write(買粉絲ntent)  

def save_file(self, 買粉絲ntent):  

' 數據寫入文件 '  

with open(self.kw+'/'+self.kw+'.txt', 'w') as f:  

f.write(買粉絲ntent)  

def log(self, msg):  

' 自定義log函數 '  

print u'%s: %s' % (time.strftime('%Y-%m-%d %H:%M:%S'), msg)  

def need_verify(self, selenium_買粉絲):  

' 有時候對方會封鎖ip，這里做一下判斷，檢測買粉絲中是否包含id=verify_change的標簽，有的話，代表被重定向了，提醒過一陣子重試 '  

return pq(selenium_買粉絲)('#verify_change').text() != ''  

def create_dir(self):  

'創建文件夾'  

if not os.path.exists(self.kw):    

os.makedirs(self.kw)   

def run(self):  

' 爬蟲入口函數 '  

#Step 0 ：  創建買粉絲命名的文件夾  

self.create_dir()  

# Step 1：GET請求到搜狗買粉絲引擎，以買粉絲買粉絲英文名稱作為查詢關鍵字  

self.log(u'開始獲取，買粉絲買粉絲英文名為：%s' % self.kw)  

self.log(u'開始調用sougou搜索引擎')  

sougou_search_買粉絲 = self.get_search_result_by_kw()  

# Step 2：從搜索結果頁中解析出買粉絲主頁鏈接  

self.log(u'獲取sougou_search_買粉絲成功，開始抓取買粉絲對應的主頁wx_url')  

wx_url = self.get_wx_url_by_sougou_search_買粉絲(sougou_search_買粉絲)  

self.log(u'獲取wx_url成功，%s' % wx_url)  

# Step 3：Selenium+PhantomJs獲取js異步加載渲染后的買粉絲  

self.log(u'開始調用selenium渲染買粉絲')  

selenium_買粉絲 = self.get_selenium_js_買粉絲(wx_url)  

# Step 4: 檢測目標網站是否進行了封鎖  

if self.need_verify(selenium_買粉絲):  

self.log(u'爬蟲被目標網站封鎖，請稍后再試')  

else:  

# Step 5: 使用PyQuery，從Step 3獲取的買粉絲中解析出買粉絲文章列表的數據&n

很赞哦!（8453）