我的微信里关注了数十个有关大数据的公众号,每天都会出现那个小红点让我点进去看,但是点多了就会觉得烦了,所以我要做的第一步就是自动把公众号里的新文章都收集到一块,怎么做呢?scrapy!
对!scrapy抓取!但是scrapy顺着超链接抓取web网页容易,抓取微信app里的内容就有难度了,暂时还是做不到模拟一个收集app软件。庆幸的是,腾讯和搜狗搜索结婚啦!生出了一个小宝宝:搜狗微信搜索。下面我们就借助搜狗微信搜索来实现我的目的
举个例子,我关注了一个公众号叫:大数据文摘。打开http://weixin.sogou.com/,输入“大数据文摘”,点“搜公众号”,搜索结果如下:
点击这个搜索结果,跳到了新页面
这里面显示的都是最新发布的文章
好!我们就沿着这条路线来追踪公众号的新文章
下面我们来分析一下url
第一个搜索结果页的url是:http://weixin.sogou.com/weixin?type=1&query=%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%96%87%E6%91%98&ie=utf8&_sug_=n&_sug_type_=,我们去掉query以外的参数得到:http://weixin.sogou.com/weixin?query=%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%96%87%E6%91%98,打开之后结果是一样的,ok,这个就作为我们抓取的种子入口,如果搜索其他公众号就把query参数换掉
下面分析搜索结果里怎么提取第二章页面,也就是公众号profile页的链接,看这里关键的href一行:
这就是我们要提取的profile页链接,提取方式可以直接通配成:“url里带http://mp.weixin.qq.com/profile?src=的href属性”
ps:找xpath的方便方法是利用浏览器的开发者工具,比如chrome界面如下:
在Elements的标签处点右键选择:Copy->Copy XPath,就自动把xpath路径拷贝到剪切板了
注意:在这里我突然想到一个问题,每个公众号对应的profile页面是不是永远不变的呢?经过我的实验,这条url里的timestamp参数和signature是有对应关系的,任意一个错了都无法打开,而且每次搜索生成的链接都是不同的,所以我断定在微信搜索内容是动态生成链接的,那么这个动态链接的生命周期就不可预测了,所以为了保险起见,我们每次都从搜索入口追溯,才是万全之策
下面我们分析profile页里的文章链接,我们看profile页的部分 html如下:
代理银行业务:通过监管列表对代理银行客户进行风险评级
为了确保银行积极的通过代理银行关系来连接美国金融市场,需要考虑如何根据现有电汇和监管列表信息,来提升可疑行为模型的成熟度。
2016年5月17日
这里面可以找到文章的内容了链接、标题、摘要、发布时间,简直太完美了
链接的提取方式可以直接通配成:h4.weui_media_title hrefs
标题的提取方式可以直接通配成:h4.weui_media_title text
摘要的提取方式可以直接通配成:p.weui_media_desc
发布时间的提取方式可以直接通配成:p.weui_media_extra_info
创建一个scrapy工程
scrapy startproject weixin
在weixin/spiders/中创建dashujuwenzhai.py内容如下:
#!/usr/bin/python # -*- coding: utf-8 -*- import scrapy class ShareditorSpider(scrapy.Spider): name = "dashujuwenzhai" allowed_domains = ["qq.com"] start_urls = [ "http://weixin.sogou.com/weixin?query=大数据文摘" ] def parse(self, response): print response.body href = response.selector.xpath('//div[@id="sogou_vr_11002301_box_0"]/@href').extract()[0] yield scrapy.Request(href, callback=self.parse_profile) def parse_profile(self, response): print response.body
执行
scrapy crawl dashujuwenzhai
即可以抓到大数据文摘的profile页面内容
接下来来研究profile页,抓回的页面不是普通的html页面,而是通过js渲染出来的,也就是我们看到的每一条文章的标题、摘要等都是通过js计算出来的,代码里有这么一句:
var msgList = '{"list":[{"comm_msg_info":{"id":410106318,"type":49,"datetime":1463528503,"fakeid":"2391437564","status":2,"content":""},"app_msg_ext_info":{"title":"机器人前传:达芬奇的机器狮和日耳曼装甲骑士","digest":"这是一篇描述阿尔法狗和Atlas机器人祖先的文章。远在500多年前的达芬奇时代,已经有了不少关于机器人的探索。这个大天才写了大量关于自动机描述,在他的个人笔记中也充斥着各种机械发明的构思,比如弹簧驱动的汽车和机器狮子。","content":"","fileid":504157567,"content_url":"\\/s?timestamp=1463529354&src=3&ver=1&signature=cG*R8qc-PGKV-aZ4q9IlJQfIHtGp5I3H63xlK-h5mBO0W2FRAzCddav9cPf*GuwUBI4x0zJzmtcoOU7sQQeMf3CfNzaTEIq4C8YwnsZQGnqnauqr2wQYvEFvAooyecPF3H6bg8OiqpSZsd5LnY*fVrZOMINmQwV8Qup*D9qvUkw=","source_url":"https:\\/\\/mp.weixin.qq.com\\/s?__biz=MzA4OTYwNzk0NA==&mid=401744027&idx=1&sn=43699667dca4438a49db51fb3700af4f&scene=1&srcid=0517MRoAk1EzgC5iSMtvoYC5&pass_ticket=06ybKvJknob%2F5%2B%2FAmkUtnjcyCqWcuNxZTJapLW5QZyk7PWh1jD7ubwb5H1zXzMWB#rd","cover":"http:\\/\\/mmbiz.qpic.cn\\/mmbiz\\/wc7YNPm3YxXiajPXq2Y2PWQsic1SmjCxnTicHKtwItmARwkha1RI1gH1WwTfRvEUzauWJibjuJC9oJ8eibeVlDjRkwg\\/0?wx_fmt=jpeg","subtype":0,"is_multi":1,"multi_app_msg_item_list":[{"title":"清华论坛实录|刘瑞宝:洞见数据内涵,提升公共安全研判能力","digest":"本文为刘瑞宝先生于2016年3月24日在RONG—大数据与公共安全专场上所做的题为《洞见数据内涵,提升公共安全研判能力》的演讲实录。","content":"","fileid":504157565,"content_url":"\\/s?timestamp=1463529354&src=3&ver=1&signature=cG*R8qc-PGKV-aZ4q9IlJQfIHtGp5I3H63xlK-h5mBO0W2FRAzCddav9cPf*GuwUBI4x0zJzmtcoOU7sQQeMf3CfNzaTEIq4C8YwnsZQGnrmdiX-aBZzJtqDGa76CoHH8gL7PEfN3ZQN5lNa4YgJUeUyE*SIna3B7W*zKWYskkU=","source_url":"https:\\/\\/mp.weixin.qq.com\\/s?__biz=MzAxMzA2MDYxMw==&mid=2651555964&idx=2&sn=479aaf7f3b687b973ffa303d3d3be6b9&scene=1&srcid=0517C5DgLArlrdVAlQ9GIHOl&pass_ticket=06ybKvJknob%2F5%2B
……
当然还没有截取全,这就是文章的全部内容,写到了一个js变量里,这样就无法通过scrapy原生的response.xpath拿到,这怎么办呢?
我们来利用phantomjs来渲染,这是一个强大的工具,它是无界面的浏览器,所以渲染js速度非常快,但是也有一些缺陷,有一些浏览器渲染功能不支持,所以如果再深入可以借助selenium工具,这又是一个强大的工具,它原本是用来做web应用程序自动化测试用的,也就是可以模拟各种点击浏览等动作,那么用他来做爬虫几乎就是一个真人,本节先来研究phantomjs,有关selenium的内容后面有需求了再研究
wget https://bitbucket.org/ariya/phantomjs/downloads/phantomjs-2.1.1-linux-x86_64.tar.bz2 tar jxvf phantomjs-2.1.1-linux-x86_64.tar.bz2 cd phantomjs-2.1.1-linux-x86_64/ ./bin/phantomjs examples/netlog.js http://www.shareditor.com/
以上输出了网路通信日志,说明没有问题
为了方便,可以把./bin/phantomjs拷贝到~/bin下
var page = require('webpage').create(); var system = require('system'); page.open(system.args[1], function(status) { var sc = page.evaluate(function() { return document.body.innerHTML; }); window.setTimeout(function() { console.log(sc); phantom.exit(); }, 100); });
#!/usr/bin/python # -*- coding: utf-8 -*- import scrapy import subprocess from scrapy.http import HtmlResponse from scrapy.selector import Selector class ShareditorSpider(scrapy.Spider): name = "dashujuwenzhai" allowed_domains = ["qq.com"] start_urls = [ "http://weixin.sogou.com/weixin?query=算法与数学之美" ] def parse(self, response): href = response.selector.xpath('//div[@id="sogou_vr_11002301_box_0"]/@href').extract()[0] cmd="~/bin/phantomjs ./getBody.js '%s'" % href stdout, stderr = subprocess.Popen(cmd, shell=True, stdout = subprocess.PIPE, stderr = subprocess.PIPE).communicate() response = HtmlResponse(url=href, body=stdout) for selector in Selector(response=response).xpath('//*[@id="history"]/div/div/div/div'): hrefs= selector.xpath('h4/@hrefs').extract()[0].strip() title = selector.xpath('h4/text()').extract()[0].strip() abstract = selector.xpath('//*[contains(@class, "weui_media_desc")]/text()').extract()[0].strip() pubtime = selector.xpath('//*[contains(@class, "weui_media_extra_info")]/text()').extract()[0].strip() print hrefs print title print abstract print pubtime def parse_profile(self, response): print response.body
这是一段我用了数天精力创造成功的一段代码,耗费了我很多体力值,所以重点讲解一下
href = response.selector.xpath('//div[@id="sogou_vr_11002301_box_0"]/@href').extract()[0]
从公众号搜索结果页里提取profile页面的链接,这个id我怀疑不久后将失效,所以如果想做完美,还得不断完善,有关xpath的使用技巧可以参考http://ejohn.org/blog/xpath-css-selectors/
cmd="~/bin/phantomjs ./getBody.js '%s'" % href stdout, stderr = subprocess.Popen(cmd, shell=True, stdout = subprocess.PIPE, stderr = subprocess.PIPE).communicate()
加载phantomjs脚本getBody.js来渲染profile页面,把里面的js渲染成html
response = HtmlResponse(url=href, body=stdout)
用渲染后的html页面来创建一个HtmlResponse,用于 后面继续xpath提信息
Selector(response=response).xpath('//*[@id="history"]/div/div/div/div')
找到每一条文章模块所在的div
hrefs= selector.xpath('//h4/@hrefs').extract()[0].strip() title = selector.xpath('h4/text()').extract()[0].strip() abstract = selector.xpath('//*[contains(@class, "weui_media_desc")]/text()').extract()[0].strip() pubtime = selector.xpath('//*[contains(@class, "weui_media_extra_info")]/text()').extract()[0].strip()
根据这个div结构提取各个字段
基于这个爬虫脚本,想造就怎样的神奇,就看你之后的想象力了,没有做不到,只有想不到!