04 買粉絲買粉絲數據爬蟲(如何利用爬蟲爬買粉絲買粉絲的內容？)

>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 PyQuery as pq  

from selenium import webdriver  

import requests  

import time  

import re  

import json  

import os  

class weixin_spider:  

def __init__(self, kw):  

' 構造函數 '  

self.kw = kw  

# 搜狐買粉絲搜索鏈接  

#self.sogou_search_url = '買粉絲://weixin.sogou.買粉絲/weixin?type=1&query=%s&ie=utf8&_sug_=n&_sug_type_=' % quote(self.kw)  

self.sogou_search_url = '買粉絲://weixin.sogou.買粉絲/weixin?type=1&query=%s&ie=utf8&s_from=input&_sug_=n&_sug_type_=' % quote(self.kw)  

# 爬蟲偽裝  

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'}  

# 操作超時時長  

self.timeout = 5  

self.s = requests.Session()  

def get_search_result_by_kw(self):  

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

return self.s.get(self.sogou_

很赞哦!（1）