拒绝低效!Python教你爬虫公众号文章和链接
共 3640字，需浏览 8分钟
·
2020-02-11 23:25
点击上方Python知识圈，选择设为星标
回复1024获取Python资料
阅读文本大概需要 5 分钟
前言
上一篇文章整理了的公众号所有文章的导航链接，其实如果手动整理起来的话，是一件很费力的事情，因为公众号里添加文章的时候只能一篇篇的选择，是个单选框。
面对几百篇的文章，这样一个个选择的话，是一件苦差事。
pk哥作为一个 Pythoner，当然不能这么低效，我们用爬虫把文章的标题和链接等信息提取出来。
抓包
我们需要通过抓包提取公众号文章的请求的 URL，参考之前写过的一篇抓包的文章 Python爬虫APP前的准备，pk哥这次直接抓取 PC 端微信的公众号文章列表信息，更简单。
我以抓包工具 Charles 为例，勾选容许抓取电脑的请求，一般是默认就勾选的。
为了过滤掉其他无关请求，我们在左下方设置下我们要抓取的域名。
打开 PC 端微信，打开 「Python知识圈」公众号文章列表后，Charles 就会抓取到大量的请求，找到我们需要的请求，返回的 JSON 信息里包含了文章的标题、摘要、链接等信息，都在 comm_msg_info 下面。
这些都是请求链接后的返回，请求链接 url 我们可以在 Overview 中查看。
通过抓包获取了这么多信息后，我们可以写爬虫爬取所有文章的信息并保存了。
初始化函数
公众号历史文章列表向上滑动，加载更多文章后发现链接中变化的只有 offset 这个参数，我们创建一个初始化函数，加入代理 IP，请求头和信息，请求头包含了 User-Agent、Cookie、Referer。
这些信息都在抓包工具可以看到。
请求数据
通过抓包分析出来了请求链接，我们就可以用 requests 库来请求了，用返回码是否为 200 做一个判断，200 的话说明返回信息正常，我们再构建一个函数 parse_data() 来解析提取我们需要的返回信息。
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
提取数据
通过分析返回的 Json 数据，我们可以看到，我们需要的数据都在 app_msg_ext_info 下面。
我们用 json.loads 解析返回的 Json 信息，把我们需要的列保存在 csv 文件中，有标题、摘要、文章链接三列信息，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['标题'] = title
info['小标题'] = title_child
info['文章链接'] = article_url
a.append(info)
except Exception as e:
print(e)
continue
print('正在写入文件')
with open('Python公众号文章合集1.csv', 'a', newline='', encoding='utf-8') as f:
fieldnames = ['标题', '小标题', '文章链接'] # 控制列的顺序
writer = csv.DictWriter(f, fieldnames=fieldnames)
writer.writeheader()
writer.writerows(a)
print("写入成功")
print('----------------------------------------')
time.sleep(int(format(random.randint(2, 5))))
self.offset = self.offset+10
self.request_data()
else:
print('抓取数据完毕！')
这样，爬取的结果就会以 csv 格式保存起来。
运行代码时，可能会遇到 SSLError 的报错，最快的解决办法就是 base_url 前面的 https 去掉 s 再运行。
保存markdown格式的链接
经常写文章的人应该都知道，一般写文字都会用 Markdown 的格式来写文章，这样的话，不管放在哪个平台，文章的格式都不会变化。
在 Markdown 格式里，用 [文章标题](文章url链接) 表示，所以我们保存信息时再加一列信息就行，标题和文章链接都获取了，Markdown 格式的 url 也就简单了。
md_url = '[{}]'.format(title) + '({})'.format(article_url)
爬取完成后，效果如下。
我们把 md链接这一列全部粘贴到 Markdown 格式的笔记里就行了，大部分的笔记软件都知道新建 Markdown 格式的文件的。
这样，这些导航文章链接整理起来就是分类的事情了。
公众号后台输入内输入「公众号」获取本文所有代码。
你用 Python 解决过生活中的小问题吗？欢迎留言讨论。
一个学习Python的人，喜欢分享，喜欢搞事情！长按下图二维码关注，和你一起领悟Python的魅力。
Python知识圈公众号的交流群已经建立，群里可以领取 Python 和人工智能学习资料，大家可以一起学习交流，效率更高，如果是想发推文、广告、砍价小程序的敬请绕道！一定记得备注「交流学习」，我会尽快通过好友申请哦！通过好友后私聊我「学习资料」或者「进群」都可以。
扫码添加，备注:交流学习
往期推荐010203
分享给你的朋友
点个在看
