python3之微信文章爬虫实例讲解


            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

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







search = urllib.request.quote(search)



page是用来循环的





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（））





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()



得到页面内容，采用正则表达获取相关数据





 import re

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

  #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





 title = title.replace('<em><!--red_beg-->','')

 title = title.replace('<!--red_end--></em>','')

 link = link.replace('amp;','')



将处理后的标题和链接保存在列表中





 title_link.append(link)

 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





 import xlsxwriter

 workbook = xlsxwriter.Workbook(search+'.xlsx')

 worksheet = workbook.add_worksheet('微信')



将title_link中的数据导入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()



完整代码：





'''

python3.4 + windows

羽凡-2017/7/11-

用于搜索微信文章，保存标题及链接至Excel中

每个页面10秒延迟，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('搜索页数:'))

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:

   #标题中可能存在引号

   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)+'页')

 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','标题',bold)

worksheet.write('C1','链接',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('导入Excel完毕！')



以上这篇python3之微信文章爬虫实例讲解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持中文源码网。