代码还是热乎的,只要你细心一步步的慢慢调试,绝壁没问题
前期准备
- 订阅号;
- Python;
- Fiddler;
- 微信账号;
流程
- 使用用微信公众号生成cookie
- 使用Fiddler抓取微信公众号数据, 获取阅读数
- 通过cookie请求公众号获取文章,再使用Fiddler抓取的数据获取阅读数
- 整理数据写入到数据库
效果
- 平均20s可爬取一篇文章。为了微信号、订阅号的安全 时间间隔长一点
- 可按日期爬取文章。
- 视频文章无法爬取。当然了代码优化优化应该也是可以的
- 订阅号会出现 搜索文章限制问题。换一个订阅号解决
操作
操作
- 获取订阅号Cookie
1.1、基于Python调用chromedriver.exe, 打开URL
1.2、输入账号、密码
1.3、手动扫码
1.4、生成cookie.txt 文件, 包含cookie信息
- Fiddler抓取微信客户端公众号请求数据, 获取阅读量
需要获取req_id 、 pass_ticket 、 appmsg_tojen、cookie 和user-agent
2、1 电脑登录微信(PC版)
2、2 关注需要爬取的公众号
2、3 设置Fiddler 并保存配置
微信客户端请求公众号文章, fiddler抓取到的数据req_id 、 pass_ticket 、 appmsg_tojen
微信客户端请求公众号文章, fiddler抓取到的数据cookie 和user-agent
最后恢复Fiddler的配置,会报错的
END!!!前面的获取工作就结束了…
一、获取cookie
# -*- coding: utf-8 -*-
import time
import json
from selenium import webdriver
import sys
sys.path.append('/path/to/your/module')
post = {}
driver = webdriver.Chrome(executable_path="chromedriver.exe")
driver.get('https://mp.weixin.qq.com')
time.sleep(2)
driver.find_element_by_name('account').clear()
driver.find_element_by_name('account').send_keys('订阅号账号')
driver.find_element_by_name('password').clear()
driver.find_element_by_name('password').send_keys('订阅号密码')
# 自动输入密码后点击记住密码
time.sleep(5)
driver.find_element_by_xpath("./*//a[@class='btn_login']").click()
# 扫码
time.sleep(20)
driver.get('https://mp.weixin.qq.com')
cookie_items = driver.get_cookies()
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('cookie write ok ...')
二、获取文章数据(文章列表写入数据库)
# -*- coding: utf-8 -*-
import time, datetime
import json
import requests
import re
import random
import MySQLdb
#设置要爬取的公众号列表
gzlist=['rmrbwx']
# 打开数据库连接
db = MySQLdb.connect("localhost", "root", "123456", "wechat_reptile_data", charset='utf8' )
# 使用cursor()方法获取操作游标
cursor = db.cursor()
# 获取阅读数和点赞数
def getMoreInfo(link):
# 获得mid,_biz,idx,sn 这几个在link中的信息
mid = link.split("&")[1].split("=")[1]
idx = link.split("&")[2].split("=")[1]
sn = link.split("&")[3].split("=")[1]
_biz = link.split("&")[0].split("_biz=")[1]
# fillder 中取得一些不变得信息
req_id = "1412dd0hgEJ111EjE5kNKEXT"
pass_ticket = "ZSq589XK234UBgaq5lTGXvP3gd9epp4Dwz0S2CFY7niZksXYfSig01Sr6cF8mr%252Bi"
appmsg_token = "1008_ZZS61aEhRBKbADqokb3543YvuzLiKdSCns3myC95eqfZTY105aAMiu4CymM9Khe8ZjxI7CP8p4nzFVF5e6fy"
# 目标url
url = "http://mp.weixin.qq.com/mp/getappmsgext"
# 添加Cookie避免登陆操作,这里的"User-Agent"最好为手机浏览器的标识
phoneCookie = "rewardsn=; wxuin=81135434139; devicetype=Windows10; version=62060739; lang=zh_CN; pass_ticket=ZSq589XK9FkUBgaq5lTGXvP3gd54354Dwz0S2CFY7niZksXYfSig01Sr6cF8mr+i; wap_sid2=CIvC8IIDElxzNU04MzhjSkxXTHJ3YVBmRTRoY2g1V01Qc1BVYmZLNG5sOEZwUmZwUkcyYXFlTVZ1YVpiWk9wSUZBN1p6ZmVaMkQyM2pzME5XeEtsdW1SenZuLTBOZkFEQUFBfjDOlOnmBTgNQAE=; wxtokenkey=777"
headers = {
"Cookie": phoneCookie,
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 MicroMessenger/6.5.2.501 NetType/WIFI WindowsWechat QBCore/3.43.1021.400 QQBrowser/9.0.2524.400"
}
# 添加data,`req_id`、`pass_ticket`分别对应文章的信息,从fiddler复制即可。
data = {
"is_only_read": "1",
"req_id": req_id,
"pass_ticket": pass_ticket,
"is_temp_url": "0",
}
params = {
"__biz": _biz,
"mid": mid,
"sn": sn,
"idx": idx,
"key": "777",
"pass_ticket": pass_ticket,
"appmsg_token": appmsg_token,
"uin": "777",
"wxtoken": "777"
}
# 使用post方法进行提交
content = requests.post(url, headers=headers, data=data, params=params).json()
# 提取其中的阅读数和点赞数
readNum = content["appmsgstat"]["read_num"]
likeNum = content["appmsgstat"]["like_num"]
# 歇10s,防止被封
time.sleep(15)
return readNum, likeNum
#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; rv:53.0) Gecko/20100101 Firefox/53.0"
}
#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)
#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 = requests.get(url=url, cookies=cookies)
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 = requests.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]
#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 = requests.get(appmsg_url, cookies=cookies, headers=header, params=query_id_data)
#获取文章总数
if appmsg_response.json().get('base_resp').get('ret') == 200013:
print('搜索公众号文章操作频繁!!!')
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 = 135 #根据内容自定义
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')
for item in fakeid_list:
content_link=item.get('link')
content_title=item.get('title')
update_time=item.get('update_time')
timeArray = time.localtime(update_time)
DataTime = time.strftime("%Y%m%d", timeArray)
print(DataTime)
Yearsmonth = time.strftime("%Y%m", timeArray)
if Yearsmonth == '201903' or Yearsmonth == '201904':
# 阅读数 点赞数
readNum, likeNum = getMoreInfo(item['link'])
print(readNum, likeNum)
# SQL 插入语句
sql = """INSERT INTO `wechat_urls` (`title`, `url`, `data_date`, `gzname`, `read_num`, `like_num`) VALUES ('""" + content_title + """', '""" + content_link+ """', '""" + DataTime+ """', '""" + query+ """', '""" + str(readNum)+ """', '""" + str(likeNum)+ """');"""
try:
# 执行sql语句
print(sql)
cursor.execute(sql)
# 提交到数据库执行
db.commit()
except:
# Rollback in case there is any error
db.rollback()
time.sleep(1)
num -= 1
begin = int(begin)
begin+=5
time.sleep(3)
# 关闭数据库连接
# db.close()
if __name__=='__main__':
try:
#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")
except Exception as e:
print(str(e))
console日志
三、读取URL列表, 文章数据写入数据库
from urllib.request import urlopen
import MySQLdb
import requests
from pyquery import PyQuery as pq
import time, datetime
# 打开数据库连接
db = MySQLdb.connect("localhost", "root", "123456", "wechat_reptile_data", charset='utf8' )
# 使用cursor()方法获取操作游标
cursor = db.cursor()
# 写入数据
def insert_contents(title, url, data_date, gzname, read_num, like_num):
# 抓取页码内容,返回响应对象
response = requests.get(url)
response.encoding = 'utf-8'
# 将html构建为Xpath模式
doc = pq(response.text)
js_content = doc('#js_content').text()
# SQL 插入语句
sql = """INSERT INTO `wechat_reptile_data`.`wechat_datas` (`title`, `content`, `gzh`, `data_date`, `read_num`, `like_num`) VALUES ('""" + title + """', '""" + js_content + """', '""" + gzname + """', '""" + data_date + """', '""" + str(read_num) + """', '""" + str(like_num) + """');"""
try:
# 执行sql语句
print('===>>>', data_date+' : '+gzname)
cursor.execute(sql)
# 提交到数据库执行
db.commit()
except:
# Rollback in case there is any error
db.rollback()
time.sleep(1)
# 更新数据
def update_contents(title, url, data_date, gzname):
# SQL 更新语句
sql = """UPDATE wechat_urls SET state = '1' WHERE title = '"""+title+"""' AND data_date = '"""+data_date+"""' AND gzname = '"""+gzname+"""'"""
try:
# 执行SQL语句
cursor.execute(sql)
# 提交到数据库执行
db.commit()
except:
# 发生错误时回滚
db.rollback()
time.sleep(1)
# SQL 查询语句
sql = "select * from wechat_urls where state='0';"
try:
# 执行SQL语句
cursor.execute(sql)
# 获取所有记录列表
results = cursor.fetchall()
for row in results:
title = row[0]
url = row[1]
data_date = row[2]
gzname = row[3]
read_num = row[4]
like_num = row[5]
insert_contents(title, url, data_date, gzname, read_num, like_num)
update_contents(title, url, data_date, gzname)
except:
print("Error: unable to fecth data")
代码是东拼西凑写出来的,时间紧任务重代码还没来得及优化…, 各位大牛们见谅了
哪位兄弟给代码优化了记得@我一下,我拷贝一份