搜狗微信搜索提供两种类型的关键词搜索，一种是搜索公众号文章内容，另一种是直接搜索微信公众号。通过微信公众号搜索可以获取公众号的基本信息及最近发布的10条文章，今天来抓取一下微信公众号的账号信息
爬虫
首先通过首页进入，可以按照类别抓取，通过“查看更多”可以找出页面链接规则：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
import requests as req
import re
retypes = r'id="pc_\d*" uigs="(pc_\d*)">([\s\s]*?)</a>'
entry = "http://weixin.sogou.com/"
entrypage = req.get(entry)
alltypes = re.findall(retypes, getutf8(entrypage))
for (pcid, category) in alltypes:
for page in range(1, 100):
url = 'http://weixin.sogou.com/pcindex/pc/{}/{}.html'.format(pcid, page)
print(url)
categorylist = req.get(url)
if categorylist.status_code != 200:
break
|
上面代码通过加载更多页面获取加载列表，进而从其中抓取微信公众号详情页面：
|
1
2
3
4
5
6
|
reprofile = r'<li id[\s\s]*?<a href="([\s\s]*?)" rel="external nofollow" '
allprofiles = re.findall(reoaprofile, getutf8(categorylist))
for profile in allprofiles:
profilepage = req.get(profile)
if profilepage.status_code != 200:
continue
|
进入详情页面可以获取公众号的 名称/id/功能介绍/账号主体/头像/二维码/最近10篇文章 等信息：
注意事项
详情页面链接： http://mp.weixin.qq.com/profile?src=3×tamp=1477208282&ver=1&signature=8ryj4qv2w5fxsoy6vgn37sudcsla8uoyhv3ft7crhzhb4wo-bbwg94aucnexyb7lqrnsazua-2mrowkv835ilg==
1. 验证码
访问详情页面时有可能需要验证码，自动识别验证码还是很有难度的，因此要做好爬虫的伪装工作。
2. 未保存详情页面链接
详情页面的链接中有两个重要参数： timestamp & signature ，这说明页面链接是有时效性的，所以保存下来应该也没用；
3. 二维码
二维码图片链接同样具有时效性，因此如需要最好将图片下载下来。
用 flask 展示结果
最近 python 社区出现了一款异步增强版的 flask 框架： sanic ，基于 uvloop 和 httptools ，可以达到异步、更快的效果，但保持了与 flask 一致的简洁语法。虽然项目刚起步，还有很多基本功能为实现，但已经获得了很多关注（ 2,222 star ）。这次本打算用抓取的微信公众号信息基于 sanic 做一个简单的交互应用，但无奈目前还没有加入模板功能，异步的 redis 驱动也还有 bug 没解决，所以简单尝试了一下之后还是切换回 flask + sqlite，先把抓取结果呈现出来，后续有机会再做更新。
安装 sanic
debug sanic
flask + sqlite app
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
from flask import g, flask, render_template
import sqlite3
app = flask(__name__)
database = "./db/wx.db"
def get_db():
db = getattr(g, '_database', none)
if db is none:
db = g._database = sqlite3.connect(database)
return db
@app.teardown_appcontext
def close_connection(exception):
db = getattr(g, '_database', none)
if db is not none:
db.close()
@app.route("/<int:page>")
@app.route("/")
def hello(page=0):
cur = get_db().cursor()
cur.execute("select * from wxoa limit 30 offset ?", (page*30, ))
rows = []
for row in cur.fetchall():
rows.append(row)
return render_template("app.html", wx=rows, cp=page)
if __name__ == "__main__":
app.run(debug=true, port=8000)
|
总结
以上所述是小编给大家介绍的python 抓取微信公众号账号信息,希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对服务器之家网站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！原文链接：https://www.jianshu.com/p/ba897f556bfa