python3之微信文章爬蟲實(shí)例講解

更新時(shí)間：2017年07月12日 08:17:38 投稿：jingxian

下面小編就為大家?guī)硪黄猵ython3之微信文章爬蟲實(shí)例講解。小編覺得挺不錯(cuò)的，現(xiàn)在就分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧

前提：

python3.4

windows

作用：通過搜狗的微信搜索接口http://weixin.sogou.com/來搜索相關(guān)微信文章，并將標(biāo)題及相關(guān)鏈接導(dǎo)入Excel表格中

說明：需xlsxwriter模塊，另程序編寫時(shí)間為2017/7/11，以免之后程序無法使用可能是網(wǎng)站做過相關(guān)改變，程序較為簡單，除去注釋40多行。

正題：

思路：打開初始Url --> 正則獲取標(biāo)題及鏈接 --> 改變page循環(huán)第二步 --> 將得到的標(biāo)題及鏈接導(dǎo)入Excel

爬蟲的第一步都是先手工操作一遍（閑話）

進(jìn)入上面提到的網(wǎng)址，如輸入:“圖片識(shí)別”,搜索，網(wǎng)址變?yōu)椤癶ttp://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”標(biāo)紅為重要參數(shù)，type=1時(shí)是搜索公眾號(hào)，暫且不管，query=‘搜索關(guān)鍵詞',關(guān)鍵詞已經(jīng)被編碼，還有一個(gè)隱藏參數(shù)page=1

當(dāng)你跳到第二頁時(shí)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

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

search是要搜索的關(guān)鍵詞，用quote（）編碼即可插入

search = urllib.request.quote(search)

page是用來循環(huán)的

for page in range(1,pagenum+1):
 url = 'http://weixin.sogou.com/weixin?type=2&query='+search+'&page='+str(page)

完整的url已經(jīng)得到了，接下來訪問url，獲得其中的數(shù)據(jù)（創(chuàng)建opener對象，添加header（））

import urllib.request
 header = ('User-Agent','Mozilla/5.0')
 opener = urllib.request.build_opener()
 opener.addheaders = [header]
 urllib.request.install_opener(opener)
 data = urllib.request.urlopen(url).read().decode()

得到頁面內(nèi)容，采用正則表達(dá)獲取相關(guān)數(shù)據(jù)

 import re
  finddata = re.compile('<a target="_blank" href="(.*?)" rel="external nofollow" rel="external nofollow" .*?uigs="article_title_.*?">(.*?)</a>').findall(data)
  #finddata = [('',''),('','')]

通過正則獲取的數(shù)據(jù)中存在干擾項(xiàng)（鏈接:‘a(chǎn)mp;'）和無關(guān)項(xiàng)（標(biāo)題：'<em><...><....></em>'）,用replace（）解決

 title = title.replace('<em><!--red_beg-->','')
 title = title.replace('<!--red_end--></em>','')
 link = link.replace('amp;','')

將處理后的標(biāo)題和鏈接保存在列表中

 title_link.append(link)
 title_link.append(title)

如此搜索的標(biāo)題和鏈接都得到了，接下來導(dǎo)入Excel

先創(chuàng)建Excel

 import xlsxwriter
 workbook = xlsxwriter.Workbook(search+'.xlsx')
 worksheet = workbook.add_worksheet('微信')

將title_link中的數(shù)據(jù)導(dǎo)入Excel

 for i in range(0,len(title_link),2):
  worksheet.write('A'+str(i+1),title_link[i+1])
  worksheet.write('C'+str(i+1),title_link[i])
 workbook.close()

完整代碼：

'''
python3.4 + windows
羽凡-2017/7/11-
用于搜索微信文章，保存標(biāo)題及鏈接至Excel中
每個(gè)頁面10秒延遲，防止被限制
import urllib.request,xlsxwriter,re,time
'''
import urllib.request
search = str(input("搜索微信文章："))
pagenum = int(input('搜索頁數(shù):'))
import xlsxwriter
workbook = xlsxwriter.Workbook(search+'.xlsx')
search = urllib.request.quote(search)
title_link = []
for page in range(1,pagenum+1):
 url = 'http://weixin.sogou.com/weixin?type=2&query='+search+'&page='+str(page)
 import urllib.request
 header = ('User-Agent','Mozilla/5.0')
 opener = urllib.request.build_opener()
 opener.addheaders = [header]
 urllib.request.install_opener(opener)
 data = urllib.request.urlopen(url).read().decode()
 import re
 finddata = re.compile('<a target="_blank" href="(.*?)" rel="external nofollow" rel="external nofollow" .*?uigs="article_title_.*?">(.*?)</a>').findall(data)
 #finddata = [('',''),('','')]
 for i in range(len(finddata)):
  title = finddata[i][1]
  title = title.replace('<em><!--red_beg-->','')
  title = title.replace('<!--red_end--></em>','')
  try:
   #標(biāo)題中可能存在引號(hào)
   title = title.replace('&ldquo;','"')
   title = title.replace('&rdquo;','"')
  except:
   pass
  link = finddata[i][0]
  link = link.replace('amp;','')
  title_link.append(link)
  title_link.append(title)
 print('第'+str(page)+'頁')
 import time
 time.sleep(10)
worksheet = workbook.add_worksheet('微信')
worksheet.set_column('A:A',70)
worksheet.set_column('C:C',100)
bold = workbook.add_format({'bold':True})
worksheet.write('A1','標(biāo)題',bold)
worksheet.write('C1','鏈接',bold)
for i in range(0,len(title_link),2):
 worksheet.write('A'+str(i+1),title_link[i+1])
 worksheet.write('C'+str(i+1),title_link[i])
workbook.close()
print('導(dǎo)入Excel完畢！')

以上這篇python3之微信文章爬蟲實(shí)例講解就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: