建站
咨詢
售后
建站咨詢
新聞中心
前言
上一篇文章整理了的公眾號(hào)所有文章的導(dǎo)航鏈接，其實(shí)如果手動(dòng)整理起來的話，是一件很費(fèi)力的事情，因?yàn)楣娞?hào)里添加文章的時(shí)候只能一篇篇的選擇，是個(gè)單選框。
面對(duì)幾百篇的文章，這樣一個(gè)個(gè)選擇的話，是一件苦差事。
pk哥作為一個(gè) Pythoner，當(dāng)然不能這么低效，我們用爬蟲把文章的標(biāo)題和鏈接等信息提取出來。
抓包
我們需要通過抓包提取公眾號(hào)文章的請(qǐng)求的 URL，參考之前寫過的一篇抓包的文章 Python爬蟲APP前的準(zhǔn)備，pk哥這次直接抓取 PC 端微信的公眾號(hào)文章列表信息，更簡(jiǎn)單。
我以抓包工具 Charles 為例，勾選容許抓取電腦的請(qǐng)求，一般是默認(rèn)就勾選的。
為了過濾掉其他無關(guān)請(qǐng)求，我們?cè)谧笙路皆O(shè)置下我們要抓取的域名。
打開 PC 端微信，打開 「Python知識(shí)圈」公眾號(hào)文章列表后，Charles 就會(huì)抓取到大量的請(qǐng)求，找到我們需要的請(qǐng)求，返回的 JSON 信息里包含了文章的標(biāo)題、摘要、鏈接等信息，都在 comm_msg_info 下面。
這些都是請(qǐng)求鏈接后的返回，請(qǐng)求鏈接 url 我們可以在 Overview 中查看。
通過抓包獲取了這么多信息后，我們可以寫爬蟲爬取所有文章的信息并保存了。
初始化函數(shù)
公眾號(hào)歷史文章列表向上滑動(dòng)，加載更多文章后發(fā)現(xiàn)鏈接中變化的只有 offset 這個(gè)參數(shù)，我們創(chuàng)建一個(gè)初始化函數(shù)，加入代理 IP，請(qǐng)求頭和信息，請(qǐng)求頭包含了 User-Agent、Cookie、Referer。
這些信息都在抓包工具可以看到。
請(qǐng)求數(shù)據(jù)
通過抓包分析出來了請(qǐng)求鏈接，我們就可以用 requests 庫來請(qǐng)求了，用返回碼是否為 200 做一個(gè)判斷，200 的話說明返回信息正常，我們?cè)贅?gòu)建一個(gè)函數(shù) parse_data() 來解析提取我們需要的返回信息。
- 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
提取數(shù)據(jù)
通過分析返回的 Json 數(shù)據(jù)，我們可以看到，我們需要的數(shù)據(jù)都在 app_msg_ext_info 下面。
我們用 json.loads 解析返回的 Json 信息，把我們需要的列保存在 csv 文件中，有標(biāo)題、摘要、文章鏈接三列信息，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['標(biāo)題'] = title
- info['小標(biāo)題'] = title_child
- info['文章鏈接'] = article_url
- a.append(info)
- except Exception as e:
- print(e)
- continue
- print('正在寫入文件')
- with open('Python公眾號(hào)文章合集1.csv', 'a', newline='', encoding='utf-8') as f:
- fieldnames = ['標(biāo)題', '小標(biāo)題', '文章鏈接'] # 控制列的順序
- writer = csv.DictWriter(f, fieldnames=fieldnames)
- writer.writeheader()
- writer.writerows(a)
- print("寫入成功")
- print('----------------------------------------')
- time.sleep(int(format(random.randint(2, 5))))
- self.offset = self.offset+10
- self.request_data()
- else:
- print('抓取數(shù)據(jù)完畢！')
這樣，爬取的結(jié)果就會(huì)以 csv 格式保存起來。
運(yùn)行代碼時(shí)，可能會(huì)遇到 SSLError 的報(bào)錯(cuò)，最快的解決辦法就是 base_url 前面的 https 去掉 s 再運(yùn)行。
保存markdown格式的鏈接
經(jīng)常寫文章的人應(yīng)該都知道，一般寫文字都會(huì)用 Markdown 的格式來寫文章，這樣的話，不管放在哪個(gè)平臺(tái)，文章的格式都不會(huì)變化。
在 Markdown 格式里，用 [文章標(biāo)題](文章url鏈接) 表示，所以我們保存信息時(shí)再加一列信息就行，標(biāo)題和文章鏈接都獲取了，Markdown 格式的 url 也就簡(jiǎn)單了。
- md_url = '[{}]'.format(title) + '({})'.format(article_url)
爬取完成后，效果如下。
我們把 md鏈接這一列全部粘貼到 Markdown 格式的筆記里就行了，大部分的筆記軟件都知道新建 Markdown 格式的文件的。
這樣，這些導(dǎo)航文章鏈接整理起來就是分類的事情了。
文章名稱：拒絕低效！Python教你爬蟲公眾號(hào)文章和鏈接
標(biāo)題鏈接：http://www.dlmjj.cn/article/djdsess.html
