抓取人民日报

Posted 2022-10-03 sailfan

1 分析

抓取人民日报里面的新闻详情 https://wap.peopleapp.com/news/1先打开，然后查看网页源码，发现是一堆js，并没有具体的每个新闻的url详情，于是第一反应，肯定是js动态加载拼接的url。

然后接着按f12 查看，就看url，发现出来了好多url然后点击具体的某一个新闻详情页面，查看url，把这个url的 后面两个数字其中一个拿到访问主页的时候，f12 抓包结果里面去查找，发现一个url，点击这个url，发现preview里面有好多数据，我第一反应，肯定是每个新闻数据了。看到这些数据里面有两个ID，联想到刚刚访问具体新闻详情页面也有两个数字，肯定，具体新闻页面肯定是 https://wap.peopleapp.com/article  加上两个ID形成的。于是试了一下拼接一个url访问，果然是。于是乎只要抓到这个url，就能获取到每个新闻的详情页了。

 

 

 

但这个抓到的url只加载了10条，我于是想改改里面的 show_num值，发现请求失败，仔细看这个url，有个securitykey 这个应该是js根据具体算法算出来的，看了一下那个拼接成url的js，发现看着有点头大，算了，只要我能一直抓这类url就就行了

https://app.peopleapp.com/WapApi/610/HomeApi/getContentListcategory_id=1&refresh_time=0&show_num=10&page=1&securitykey=ee9bad0d112f882403f5b9f4dc2266a0&interface_code=610

发现只要我页面往下翻，就会新加载一条，于是我只要能解决两个问题： 

1.往下翻页的问题，让这个数据url给加载出来

2.把这个url抓取到日志里面利用脚本访问，就能获取到数据了

查看了网上一些文档，最后决定用 python 的 selenium 这个模块，它是程序打开本地的浏览器进行操作，它里面有个方法execute_script(‘window.scrollTo(0, document.body.scrollHeight)‘) 就是下翻页的，利用这个就能一直把后面的 那个数据url给加载出来了。

第二个就是解决把这个数据url给抓出来，我就用fiddler来进行抓包（这里抓包工具，根据你们自己的选择，推荐一个：mitmproxy，这也是抓包神器，可以定制化抓包，比较方便，具体操作请百度、google）

我这里用fiddler，经常用这个，用着习惯。

二、使用fiddler进行抓包写入日志

1.fiddler 导出证书到浏览器

1.1.打开 tools-options

1.2.点击https-> actions -> export root certificate to desktop

 

1.3．打开浏览器（以火狐为例）

 

 

1.4.直接搜索”证书”，点击查看证书

 

 

1.5.点击导入—选择刚才从fiddler导出的证书即可

 

 

 

 

1.6.设置fiddler代理打开 tools-> options -> connections设置端口，默认8888

1.7.设置火狐浏览器去连接fiddler代理

找到网络设置，打开后，点击手动代理配置，填写ip，端口，勾选”为所有协议使用相同的代理服务器”

 

 

 

 

最后找一个https验证访问即可

fiddler 过滤（对动态抓取，可不设置，扩展学习）参考：https://www.cnblogs.com/sjl179947253/p/7627250.html

1.8. 打开 FiddlerScript，查找OnBeforeResponse 方法写入脚本

       if (oSession.HostnameIs("app.peopleapp.com") && oSession.uriContains("getContentList"))  
            var filename = "F:/logs/fiddler.log";  
            var curDate = new Date();  
            var logContent =  "https://app.peopleapp.com" + oSession.PathAndQuery + "\\r\\n";  
            var sw : System.IO.StreamWriter;  
            if (System.IO.File.Exists(filename))  
                sw = System.IO.File.AppendText(filename);  
                sw.Write(logContent);  
              
            else  
                sw = System.IO.File.CreateText(filename);  
                sw.Write(logContent);  
              
            sw.Close();  
            sw.Dispose();  
        

 

 

三、 python 脚本读取fiddler日志，对最新的url进行获取内容，提取id拼接成新的新闻详情url

1.准备工作：
我这里用的是python3 先pip3 install selenium 安装模块

然后下载浏览器驱动，这下面有两个，google根据对应浏览器版本下载，firefox根据系统类型下载即可
#google 浏览器驱动下载地址 http://npm.taobao.org/mirrors/chromedriver/
#firefox 浏览器驱动下载地址 https://github.com/mozilla/geckodriver/releases/
2.最后贴上脚本
3.from selenium import webdriver
import time
import requests as r
import re
import json

#获取具体的新闻url，并写入文本
def get_news_url(search_time):
    #打开日志文件
    file = open("F:/logs/fiddler.log","r")
    #最新一条url
    file_msg = file.readlines()
    #判断fiddler里面是否有url内容，若读取的内容列表等于0，则表示无内容
    if len(file_msg) == 0:
        return "continue"
    #读取数组内容最后一位，即为最新的url
    url = file_msg[-1].strip("\\n")
    print(url.strip("\\n"))
    file.close()
    headers = 
    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3",
    "Accept-Encoding": "gzip, deflate, br",
    "Accept-Language": "zh-CN,zh;q=0.9",
    "Cache-Control": "no-cache",
    "Connection": "keep-alive",
    "Cookie": "acw_tc=2760826c15644797526864019e11da63f32bf5b082a7da38667809b95819f3; SERVERID=f858eac9d6463aa503ba25948984ceb0|1564566072|1564566072",
    "Host": "app.peopleapp.com",
    "Pragma": "no-cache",
    "Upgrade-Insecure-Requests": "1",
    "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36"
    
    #获取抓包的最新url数据
    html = r.get(url,headers=headers).text
    #转换成json
    json_html = json.loads(html)
    #获取json的data数据
    news_data_li = json_html["data"]
    #写入文件
    news_file = open("F:/logs/news.log","a")
    #循环data数据，提取两个id，拼接成url，写入日志文件（这里可以根据实际情况，如对拼接成的url进行判断 分成具体的每个月进行写入日志等）
    for news in news_data_li:
        id = news["id"]
        articleid = news["articleid"]
        news_url = "https://wap.peopleapp.com/article/" + id + "/" + articleid
        print(news_url)
        news_file.write(news_url + "\\n")
    news_file.close()
    #这一步只是用来控制的获取数据的时间，若传入的时间在数据内，则返回stop，停止，比如 只搜索 201904到现在的，就传入201904即可，这里根据具体需求改改就行
    if re.search(search_time,html):
        return "continue"
    else:
        return "stop"

#爬取动态页面url
#google 浏览器驱动下载地址 http://npm.taobao.org/mirrors/chromedriver/
#firefox 浏览器驱动下载地址 https://github.com/mozilla/geckodriver/releases/
#browser = webdriver.Chrome(executable_path="D:\\python37\\chromedriver_win32\\chromedriver.exe")
#加载具体的浏览器驱动
browser = webdriver.Firefox(executable_path="D:\\python37\\geckodriver-v0.24.0-win64\\geckodriver.exe")
#设置浏览器需要访问的url
browser.get("https://wap.peopleapp.com/news/1")
#循环操作浏览器往下翻页
while True:
    #翻页脚本
    browser.execute_script(‘window.scrollTo(0, document.body.scrollHeight)‘)
    #翻页后，暂停1秒
    time.sleep(1)
    #调用获取具体详情新闻页的url
    results = get_news_url("201907")
    #判断结果是否停止
    if results == "stop":
        browser.quit()
        break