python3之微信文章爬虫
前提:
python3.4
windows
作用:通过搜狗的微信搜索接口http://weixin.sogou.com/来搜索相关微信文章,并将标题及相关链接导入Excel表格中
说明:需xlsxwriter模块,另程序编写时间为2017/7/11,以免之后程序无法使用可能是网站做过相关改变,程序较为简单,除去注释40多行。
正题:
思路:打开初始Url –> 正则获取标题及链接 –> 改变page循环第二步 –> 将得到的标题及链接导入Excel
爬虫的第一步都是先手工操作一遍(闲话)
进入上面提到的网址,如输入:“图片识别”,搜索,网址变为“http://weixin.sogou.com/weixin?type=2&query=%E5%9B%BE%E7%89%87%E8%AF%86%E5%88%AB&ie=utf8&s_from=input&_sug_=n&_sug_type_=1&w=01015002&oq=&ri=4&sourceid=sugg&sut=0&sst0=1499778531195&lkt=0%2C0%2C0&p=40040108”标红为重要参数,type=1时是搜索公众号,暂且不管,query=‘搜索关键词’,关键词已经被编码,还有一个隐藏参数page=1
当你跳到第二页时可以看到“http://weixin.sogou.com/weixin?oq=&query=%E5%9B%BE%E7%89%87%E8%AF%86%E5%88%AB&_sug_type_=1&sut=0&lkt=0%2C0%2C0&s_from=input&ri=4&_sug_=n&type=2&sst0=1499778531195&page=2&ie=utf8&p=40040108&dp=1&w=01015002&dr=1”
好了,url可以得到了
1 url = \’http://weixin.sogou.com/weixin?type=2&query=\’+search+\’&page=\’+str(page)
search是要搜索的关键词,用quote()编码即可插入
1 search = urllib.request.quote(search)
page是用来循环的
1 for page in range(1,pagenum+1):
2 url = \'http://weixin.sogou.com/weixin?type=2&query=\'+search+\'&page=\'+str(page)
完整的url已经得到了,接下来访问url,获得其中的数据(创建opener对象,添加header())
1 import urllib.request
2 header = (\'User-Agent\',\'Mozilla/5.0\')
3 opener = urllib.request.build_opener()
4 opener.addheaders = [header]
5 urllib.request.install_opener(opener)
6 data = urllib.request.urlopen(url).read().decode()
得到页面内容,采用正则表达获取相关数据
1 import re
2 finddata = re.compile(\'<a target="_blank" href="(.*?)".*?uigs="article_title_.*?">(.*?)</a>\').findall(data)
3 #finddata = [(\'\',\'\'),(\'\',\'\')]
通过正则获取的数据中存在干扰项(链接:‘amp;’)和无关项(标题:\'<em><…><….></em>\’),用replace()解决
1 title = title.replace(\'<em><!--red_beg-->\',\'\')
2 title = title.replace(\'<!--red_end--></em>\',\'\')
1 link = link.replace(\'amp;\',\'\')
将处理后的标题和链接保存在列表中
1 title_link.append(link)
2 title_link.append(title)
如此搜索的标题和链接都得到了,接下来导入Excel
先创建Excel
1 import xlsxwriter
2 workbook = xlsxwriter.Workbook(search+\'.xlsx\')
3 worksheet = workbook.add_worksheet(\'微信\')
将title_link中的数据导入Excel
1 for i in range(0,len(title_link),2):
2 worksheet.write(\'A\'+str(i+1),title_link[i+1])
3 worksheet.write(\'C\'+str(i+1),title_link[i])
4 workbook.close()
完整代码:
1 \'\'\'
2 python3.4 + windows
3 羽凡-2017/7/11-
4 用于搜索微信文章,保存标题及链接至Excel中
5 每个页面10秒延迟,防止被限制
6 import urllib.request,xlsxwriter,re,time
7 \'\'\'
8 import urllib.request
9 search = str(input("搜索微信文章:"))
10 pagenum = int(input(\'搜索页数:\'))
11 import xlsxwriter
12 workbook = xlsxwriter.Workbook(search+\'.xlsx\')
13 search = urllib.request.quote(search)
14 title_link = []
15 for page in range(1,pagenum+1):
16 url = \'http://weixin.sogou.com/weixin?type=2&query=\'+search+\'&page=\'+str(page)
17 import urllib.request
18 header = (\'User-Agent\',\'Mozilla/5.0\')
19 opener = urllib.request.build_opener()
20 opener.addheaders = [header]
21 urllib.request.install_opener(opener)
22 data = urllib.request.urlopen(url).read().decode()
23 import re
24 finddata = re.compile(\'<a target="_blank" href="(.*?)".*?uigs="article_title_.*?">(.*?)</a>\').findall(data)
25 #finddata = [(\'\',\'\'),(\'\',\'\')]
26 for i in range(len(finddata)):
27 title = finddata[i][1]
28 title = title.replace(\'<em><!--red_beg-->\',\'\')
29 title = title.replace(\'<!--red_end--></em>\',\'\')
30 try:
31 #标题中可能存在引号
32 title = title.replace(\'“\',\'"\')
33 title = title.replace(\'”\',\'"\')
34 except:
35 pass
36 link = finddata[i][0]
37 link = link.replace(\'amp;\',\'\')
38 title_link.append(link)
39 title_link.append(title)
40 print(\'第\'+str(page)+\'页\')
41 import time
42 time.sleep(10)
43 worksheet = workbook.add_worksheet(\'微信\')
44 worksheet.set_column(\'A:A\',70)
45 worksheet.set_column(\'C:C\',100)
46 bold = workbook.add_format({\'bold\':True})
47 worksheet.write(\'A1\',\'标题\',bold)
48 worksheet.write(\'C1\',\'链接\',bold)
49 for i in range(0,len(title_link),2):
50 worksheet.write(\'A\'+str(i+1),title_link[i+1])
51 worksheet.write(\'C\'+str(i+1),title_link[i])
52 workbook.close()
53 print(\'导入Excel完毕!\')