python爬取公众号历史文章
文章来源
学习网上以及自己修改。
参考链接：
https://blog.csdn.net/d1240673769/article/details/75907152
目的
'''
爬取公众号的历史文章信息：标题、链接、发布时间
步骤：登录某一公众平台（随意一个），在新建图文的超链接里搜索公众号，选择第一个对应的公众号，爬取这个公众号所有的历史消息。
'''准备工作
import os
os.chdir(r'G:\公众号文章')
from selenium import webdriver #引入自动化登录模块
import time,datetime #时间模块
import json
import requests #抓取信息
import random
from selenium.webdriver.common.by import By #引入定位寻找模块
from selenium.webdriver.common.keys import Keys #引入键盘动作模块
from selenium.webdriver import ActionChains #引入鼠标行为模块
#微信公众号账号
user="账号"
#公众号密码
password="密码"
#设置要爬取的公众号列表
gzlist=['公号']
#保存的结果文件地址
fileName=r"G:\\公众号文章\\articles.csv"
登录自己的公众平台，拿到cookies
注意：这里要在20秒内扫二维码登录
#登录微信公众号，获取登录之后的cookies信息，并保存到本地文本中
def weChat_login():
#定义一个空的字典，存放cookies内容
post={}
#用webdriver启动谷歌浏览器
print("启动浏览器，打开微信公众号登录界面")
CHROME_DRIVER=r"F:\\chromedriver.exe"
driver = webdriver.Chrome(executable_path=CHROME_DRIVER)
driver.set_window_position(0,0)
driver.maximize_window()
#打开微信公众号登录页面
driver.get('https://mp.weixin.qq.com/')
#等待5秒钟
time.sleep(5)
print("正在输入微信公众号登录账号和密码......")
driver.find_element_by_xpath("./*//a[@class='login__type__container__select-type']").click() #鼠标放到使用账号密码登录键上
#清空账号框中的内容
driver.find_element_by_xpath('//*[@id="header"]/div[2]/div/div/div[1]/form/div[1]/div[1]/div/span/input').clear()
#自动填入登录用户名
driver.find_element_by_xpath('//*[@id="header"]/div[2]/div/div/div[1]/form/div[1]/div[1]/div/span/input').send_keys(user)
#清空密码框中的内容
driver.find_element_by_xpath('//*[@id="header"]/div[2]/div/div/div[1]/form/div[1]/div[2]/div/span/input').clear()
#自动填入登录密码
driver.find_element_by_xpath('//*[@id="header"]/div[2]/div/div/div[1]/form/div[1]/div[2]/div/span/input').send_keys(password)
#自动点击登录按钮进行登录
driver.find_element_by_xpath('//*[@id="header"]/div[2]/div/div/div[1]/form/div[4]/a').click()
# 拿手机扫二维码！
print("请拿手机扫码二维码登录公众号")
time.sleep(20)
print("登录成功")
#重新载入公众号登录页，登录之后会显示公众号后台首页，从这个返回内容中获取cookies信息
driver.get('https://mp.weixin.qq.com/')
#获取cookies
cookie_items = driver.get_cookies()
#获取到的cookies是列表形式，将cookies转成json形式并存入本地名为cookie的文本中
for cookie_item in cookie_items:
post[cookie_item['name']] = cookie_item['value']
cookie_str = json.dumps(post)
with open('cookie.txt', 'w+', encoding='utf-8') as f:
f.write(cookie_str)
print("cookies信息已保存到本地")爬取文章信息
#爬取微信公众号文章，并存在本地文本中
def get_content(query):
#query为要爬取的公众号名称
#公众号主页
url = 'https://mp.weixin.qq.com'
#设置headers
header = {
"HOST": "mp.weixin.qq.com",
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0"
}
#读取上一步获取到的cookies
with open('cookie.txt', 'r', encoding='utf-8') as f:
cookie = f.read()
cookies = json.loads(cookie)
#登录之后的微信公众号首页url变化为：https://mp.weixin.qq.com/cgi-bin/home?t=home/index&lang=zh_CN&token=1849751598，从这里获取token信息
response = requests.get(url=url, cookies=cookies)
token = re.findall(r'token=(\d+)', str(response.url))[0]
#搜索微信公众号的接口地址
search_url = 'https://mp.weixin.qq.com/cgi-bin/searchbiz?'
#搜索微信公众号接口需要传入的参数，有三个变量：微信公众号token、随机数random、搜索的微信公众号名字
query_id = {
'action': 'search_biz',
'token' : token,
'lang': 'zh_CN',
'f': 'json',
'ajax': '1',
'random': random.random(),
'query': query,
'begin': '0',
'count': '5'
}
#打开搜索微信公众号接口地址，需要传入相关参数信息如：cookies、params、headers
search_response = requests.get(search_url, cookies=cookies, headers=header, params=query_id)
#print(search_response)
#取搜索结果中的第一个公众号
lists = search_response.json().get('list')[0]
print(lists)
#获取这个公众号的fakeid，后面爬取公众号文章需要此字段
fakeid = lists.get('fakeid')
#微信公众号文章接口地址
appmsg_url = 'https://mp.weixin.qq.com/cgi-bin/appmsg?'
#搜索文章需要传入几个参数：登录的公众号token、要爬取文章的公众号fakeid、随机数random
query_id_data = {
'token': token,
'lang': 'zh_CN',
'f': 'json',
'ajax': '1',
'random': random.random(),
'action': 'list_ex',
'begin': '0',#不同页，此参数变化，变化规则为每页加5
'count': '5',
'query': '',
'fakeid': fakeid,
'type': '9'
}
#打开搜索的微信公众号文章列表页
appmsg_response = requests.get(appmsg_url, cookies=cookies, headers=header, params=query_id_data)
#获取文章总数
max_num = appmsg_response.json().get('app_msg_cnt')
#print(max_num)
#每页至少有5条，获取文章总的页数，爬取时需要分页爬
num = int(int(max_num) / 5)
#print(num)
#起始页begin参数，往后每页加5
begin = 0
while num + 1 > 0 :
query_id_data = {
'token': token,
'lang': 'zh_CN',
'f': 'json',
'ajax': '1',
'random': random.random(),
'action': 'list_ex',
'begin': '{}'.format(str(begin)),
'count': '5',
'query': '',
'fakeid': fakeid,
'type': '9'
}
#print('正在翻页：--------------',begin)
#获取每一页文章的标题和链接地址，并写入本地文本中
query_fakeid_response = requests.get(appmsg_url, cookies=cookies, headers=header, params=query_id_data)
#print(query_fakeid_response)
fakeid_list = query_fakeid_response.json().get('app_msg_list')
#print(fakeid_list)
for item in fakeid_list:
content_link=item.get('link') #链接
content_title=item.get('title') #题目
update_time=time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(item.get('update_time'))) #发布时间
#print(content_title+"\t"+content_link+"\t""+update_time+"\n"))
with open(fileName,'a',encoding='utf-8') as fh:
fh.write(content_title+"\t"+content_link+"\t"+update_time+"\n")
num -= 1
begin = int(begin)
begin+=5
time.sleep(2)主程序
if __name__=='__main__':
try:
#登录微信公众号，获取登录之后的cookies信息，并保存到本地文本中
weChat_login()
#登录之后，通过微信公众号后台提供的微信公众号文章接口爬取文章
for query in gzlist:
#爬取微信公众号文章，并存在本地文本中
print("开始爬取公众号："+query)
get_content(query)
print("爬取完成")
except Exception as e:
print(str(e))
结果展示
依次对应 标题、链接、发布时间
投递华为等公司10个岗位 >
华为工作强度 816人发布
