爬取策略
1.需要安装python selenium模块包，通过selenium中的webdriver驱动浏览器获取Cookie的方法、来达到登录的效果
pip3 install selenium
chromedriver：
下载地址：http://chromedriver.storage.googleapis.com/index.html
chromedriver与chrome的对应关系表
http://blog.csdn.net/huilan_same/article/details/51896672
2.微信公众号登陆地址：https://mp.weixin.qq.com/ ，需要在https://mp.weixin.qq.com/注册一个账户用于登录
3.微信公众号文章接口地址可以在微信公众号后台中新建图文消息，超链接功能中获取：
4. 搜索公众号名称
搜索可以获取所有相关的公众号信息，只取第一个做测试
获取要爬取的公众号的fakeid
选定要爬取的公众号，获取文章接口地址
文章列表翻页及内容获取
爬取代码
from selenium import webdriver
import time
import json
import random
import requests
import re
account_name = "xx"
password = "xx"
# 登录微信公众号，获取登录之后的cookies信息，并保存到本地文本中
def wechat_login():
# 用webdriver启动谷歌浏览器
print("启动浏览器，打开微信公众号登录界面")
driver = webdriver.Chrome()
driver.get("https://mp.weixin.qq.com/")
time.sleep(2)
print("正在输入微信公众号登录账号和密码......")
# 清空账号框中的内容
driver.find_element_by_name("account").clear()
driver.find_element_by_name("account").send_keys(account_name)
time.sleep(1)
driver.find_element_by_name("password").clear()
driver.find_element_by_name("password").send_keys(password)
time.sleep(1)
# 在自动输完密码之后需要手动点一下记住我
print("请在登录界面点击:记住账号")
driver.find_element_by_class_name("frm_checkbox_label").click()
time.sleep(5)
# 自动点击登录按钮进行登录
driver.find_element_by_class_name("btn_login").click()
# 拿手机扫二维码！
print("请拿手机扫码二维码登录公众号")
time.sleep(20)
print("登录成功")
cookies = driver.get_cookies()
# 获取cookies
cookie_items = driver.get_cookies()
post = {}
# 获取到的cookies是列表形式，将cookies转成json形式并存入本地名为cookie的文本中
for cookie_item in cookie_items:
post[cookie_item[\'name\']] = cookie_item[\'value\']
cookie_str = json.dumps(post)
with open(\'cookie.txt\', \'w+\', encoding=\'utf-8\') as f:
f.write(cookie_str)
print("cookies信息已保存到本地")
driver.quit()
# 爬取微信公众号文章，并存在本地文本中
def get_content(query):
# query为要爬取的公众号名称
# 公众号主页
url = \'https://mp.weixin.qq.com\'
# 设置headers
header = {
"HOST": "mp.weixin.qq.com",
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36"
}
from requests.packages import urllib3
urllib3.disable_warnings() # 关闭警告
# 读取上一步获取到的cookies
with open(\'cookie.txt\', \'r\', encoding=\'utf-8\') as f:
cookie = f.read()
cookies = json.loads(cookie)
# 增加重试连接次数
session = requests.Session()
session.keep_alive = False
# 增加重试连接次数
session.adapters.DEFAULT_RETRIES = 511
time.sleep(5)
# 登录之后的微信公众号首页url变化为：https://mp.weixin.qq.com/cgi-bin/home?t=home/index&lang=zh_CN&token=1849751598，从这里获取token信息
response = session.get(url=url, cookies=cookies, verify=False)
token = re.findall(r\'token=(\d+)\', str(response.url))[0]
time.sleep(2)
# 搜索微信公众号的接口地址
search_url = \'https://mp.weixin.qq.com/cgi-bin/searchbiz?\'
# 搜索微信公众号接口需要传入的参数，有三个变量：微信公众号token、随机数random、搜索的微信公众号名字
query_id = {
\'action\': \'search_biz\',
\'token\': token,
\'lang\': \'zh_CN\',
\'f\': \'json\',
\'ajax\': \'1\',
\'random\': random.random(),
\'query\': query,
\'begin\': \'0\',
\'count\': \'5\'
}
# 打开搜索微信公众号接口地址，需要传入相关参数信息如：cookies、params、headers
search_response = session.get(
search_url,
cookies=cookies,
headers=header,
params=query_id)
# 取搜索结果中的第一个公众号
lists = search_response.json().get(\'list\')[0]
print(lists)
# 获取这个公众号的fakeid，后面爬取公众号文章需要此字段
fakeid = lists.get(\'fakeid\')
# 微信公众号文章接口地址
appmsg_url = \'https://mp.weixin.qq.com/cgi-bin/appmsg?\'
# 搜索文章需要传入几个参数：登录的公众号token、要爬取文章的公众号fakeid、随机数random
query_id_data = {
\'token\': token,
\'lang\': \'zh_CN\',
\'f\': \'json\',
\'ajax\': \'1\',
\'random\': random.random(),
\'action\': \'list_ex\',
\'begin\': \'0\', # 不同页，此参数变化，变化规则为每页加5
\'count\': \'5\',
\'query\': \'\',
\'fakeid\': fakeid,
\'type\': \'9\'
}
# 打开搜索的微信公众号文章列表页
appmsg_response = session.get(
appmsg_url,
cookies=cookies,
headers=header,
params=query_id_data)
# 获取文章总数
max_num = appmsg_response.json().get(\'app_msg_cnt\')
# 每页至少有5条，获取文章总的页数，爬取时需要分页爬
num = int(int(max_num) / 5)
# 起始页begin参数，往后每页加5
begin = 0
seq = 0
while num + 1 > 0:
query_id_data = {
\'token\': token,
\'lang\': \'zh_CN\',
\'f\': \'json\',
\'ajax\': \'1\',
\'random\': random.random(),
\'action\': \'list_ex\',
\'begin\': \'{}\'.format(str(begin)),
\'count\': \'5\',
\'query\': \'\',
\'fakeid\': fakeid,
\'type\': \'9\'
}
print(\'正在翻页：--------------\', begin)
time.sleep(5)
# 获取每一页文章的标题和链接地址，并写入本地文本中
query_fakeid_response = requests.get(
appmsg_url,
cookies=cookies,
headers=header,
params=query_id_data)
fakeid_list = query_fakeid_response.json().get(\'app_msg_list\')
if fakeid_list:
for item in fakeid_list:
content_link = item.get(\'link\')
content_title = item.get(\'title\')
fileName = query + \'.txt\'
seq += 1
with open(fileName, \'a\', encoding=\'utf-8\') as fh:
fh.write(
str(seq) +
"|" +
content_title +
"|" +
content_link +
"\n")
num -= 1
begin = int(begin)
begin += 5
if __name__ == \'__main__\':
# 登录微信公众号，获取登录之后的cookies信息，并保存到本地文本中
wechat_login()
query = "XXX"
print("开始爬取公众号：" + query)
get_content(query)
print("爬取完成")
# #登录之后，通过微信公众号后台提供的微信公众号文章接口爬取文章
# for query in gzlist:
# #爬取微信公众号文章，并存在本地文本中
# print("开始爬取公众号："+query)
# get_content(query)
# print("爬取完成")
