python 抓取搜狗微信出现的问题，求大神解决

时间：2024-08-18 11:35:44

爬取到的data不是想要获取文章页面的源码，而是跳转到验证码的页面的源码。我网上查了一下是由于访问过于频繁导致的，我也加了time.sleep和改了请求头但还是显示不了，求大神支招，除了识别验证码的方式还能怎么做？？

import re

import urllib.request

import time

import urllib.error

headers = {'User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0'}

opener = urllib.request.build_opener()

opener.addheaders = [headers]

#设置一个列表listurl储存文章网址列表

listurl = []

#函数：使用代理IP

def use_proxy(proxy_addr,url):

    try:

        import urllib.request

        proxy = urllib.request.ProxyHandler({'http':proxy_addr})

        opener = urllib.request.build_opener(proxy,urllib.request.HTTPHandler)

        urllib.request.install_opener(opener)

        data = urllib.request.urlopen(url).read().decode('utf-8')

        return data

    except urllib.error.URLError as e:

        if hasattr(e,"code"):

            print(e.code)

        if hasattr(e,"e.reason"):

            print(e.reason)

        time.sleep(10)

    except Exception as e:

        print("expection:"+str(e))

        time.sleep(1)

#函数：获取所有文章的连接

def getlisturl(key,pagestart,pageend,proxy):

    try:

        #page = pagestart

        #编码关键词

        keycode = urllib.request.quote(key)

        #编码"&page"

        #pagecode = urllib.request.quote("&page")

        #循环爬取各页的文章链接

        for page in range(pagestart,pageend+1,1):

            #每次循环构建各页的url

            url = 'http://weixin.sogou.com/weixin?&type=2&ie=utf8&query='+keycode+"&&page="+str(page)

            #用换IP函数获得data

            data1 = use_proxy(proxy,url)

            time.sleep(1)

            #匹配的正则表达式

            pattern1 = '<div class="txt-box">.*?(http://.*?)"'

            listurl.append(re.compile(pattern1,re.S).findall(data1))

        print("共获取到"+str(len(listurl))+"页")#便于调试

        return listurl

    except urllib.error.URLError as e:

        if hasattr(e,"code"):

            print(e.code)

        if hasattr(e,"reason"):

            print(e.reason)

        #若为URLerror异常，延迟10s进行

        time.sleep(10)

    except Exception as e:

        print("exception:"+str(e))

        #若为Exception异常，延迟1s进行

        time.sleep(1)

#函数：通过链接获取对应的内容

def getcontent(listurl,proxy):

    i = 0

    #设置本地文件中的开始html编码

    html1 = '''<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtm11/DTD/xhtml1-transitional.dtd">

<html xmlns="http://www.w3.org/1999/xhtml"

<head>

<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />

<title>微信文章页面</title>

</head>

<body>'''

    with open("D:/WEB/1.html","wb")as f:

        f.write(html1.encode("utf-8"))

    #再次以追加写入的方式打开文件，以写入对应文章内容

    with open("D:/WEB/1.html","ab")as ff:

        #此时listurl为二维列表，形如listurl[][]，第一维存储信息跟第几页相关，第二维存的跟该页第几个文章链接相关

        for i in range(0,len(listurl)):

            for j in range(0,len(listurl[i])):

                try:

                    url = listurl[i][j]

                    #处理真实url，亦可观察对应网址的关系自行分析，采集网址比真实网址多了一串amp

                    url = url.replace("amp;","")

                    #使用代理去爬取对应网址的内容

                    data = use_proxy(proxy,url)

                    #文章标题正则表达式

                    titlepat = "<title>(.*?)</title>"

                    #文章内容正则表达式

                    contentpat = 'id="js_content">(.*?)id="js_sg_bar"'

                    #找到标题并赋给列表title

                    title = re.compile(titlepat).findall(data)

                    #找到内容并赋给列表content

                    content = re.compile(contentpat,re.S).findall(data)

                    #初始化标题与内容

                    thistitle = "此次没有获取到"

                    thiscontent= "此次没有获取到"

                    #如果标题列表不为空，说明找到了标题，取列表第0个元素，即此次标题赋给变量thistitle

                    if (title!=[]):

                        thistitle = title[0]

                    if (content!=[]):

                        thiscontent = content[0]

                    #将标题与内容汇总赋给变量dataall

                    dataall = '<p>标题为:'+thistitle+'</p><p>内容为：'+thiscontent+'</p><br>'

                    #将文章标题与内容写入对应文件

                    ff.write(dataall.encode("utf-8"))

                    print("第"+str(i)+"个网页第"+str(j)+"次处理")#便于调试

                except urllib.error.URLError as e:

                    if hasattr(e,"code"):

                        print(e.code)

                    if hasattr(e,"reason"):

                        print(e.reason)

                    time.sleep(10)

                except Exception as e:

                    print("exception:"+str(e))

                    time.sleep(1)

    html2 = '''</body>

</html>

    '''

    with open("D:/WEB/1.html","ab")as f:

        f.write(html2.encode("utf-8"))

#设置关键词

key = "物联网"

#设置代理服务器

proxy = "122.72.32.73:80"

#可以为getlisturl()与getcontent设置不同的代理服务器，此处没有启用该项设置

proxy2 = ""

#启示页

pagesatrt = 1

#爬取到哪页

pageend = 2

listurl = getlisturl(key,pagesatrt,pageend,proxy)

getcontent(listurl,proxy)