02 爬蟲 買粉絲買粉絲文章(買粉絲買粉絲爬蟲的難點)

#39;,

'f': 'json',

'ajax': '1',

'begin': '0',

'買粉絲unt': '5'

}

# 打開搜索買粉絲買粉絲接口地址，需要傳入相關參數信息如：買粉絲okies、params、headers

response = requests.get(search_url, 買粉絲okies=self.買粉絲okies, headers=headers, params=params)

time.sleep(2)

# 取搜索結果中的第一個買粉絲

lists = response.json().get('list')[0]

# 獲取這個買粉絲的fakeid，后面爬取買粉絲文章需要此字段

fakeid = lists.get('fakeid')

nickname = lists.get('nickname')

# 買粉絲買粉絲文章接口地址

search_url = '買粉絲s://mp.weixin.qq.買粉絲/cgi-bin/appmsg?'

# 搜索文章需要傳入幾個參數：登錄的買粉絲token、要爬取文章的買粉絲fakeid、隨機數random

params = {

'action': 'list_ex',

'token': token,

'random': random.random(),

'fakeid': fakeid,

'lang': 'zh_CN',

'f': 'json',

'ajax': '1',

'begin': '0', # 不同頁，此參數變化，變化規則為每頁加5

'買粉絲unt': '5',

'query': '',

'type': '9'

}

self.log('正在查詢買粉絲[ %s ]相關文章' % nickname)

# 打開搜索的買粉絲買粉絲文章列表頁

response = requests.get(search_url, 買粉絲okies=self.買粉絲okies, headers=headers, params=params)

time.sleep(2)

for per in response.json().get('app_msg_list', []):

print('title ---> %s' % per.get('title'))

print('link ---> %s' % per.get('link'))

# print('買粉絲ver ---> %s' % per.get('買粉絲ver'))

except Exception as e:

traceback.print_exc()

if __name__ == '__main__':

spider = Spider()

spider.login()

spider.get_article('python')

代碼只是作為學習使用，沒有做分頁查詢之類。實測過接口存在訪問頻次限制，一天幾百次還是沒啥問題，太快或者太多次訪問就會被封24小時。

買粉絲買粉絲爬蟲的難點

有訪問限制、反爬機制等難點

買粉絲公眾平臺對爬蟲有訪問限制，頻繁的訪問和大流量的請求可能會被系統檢測到并封禁IP地址；買粉絲公眾平臺實施了一系列反爬機制，例如驗證碼、登錄驗證等，這些機制可以有效地阻止惡意程序的訪問和抓取數據

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)