爬虫---爬取公众号内容

Posted 2022-10-06 qican

　　前面写都是抓取一些网站上的数据，今天工作提前完成了，闲来无事写一篇如何抓取公众号数据。

 

爬取公众号

常见的爬取公众号有3种方法

1、通过抓包获取公众号数据（app端）

2、通过抓包获取公众号数据（PC端）

3、通过搜狗搜索公众号（目前只能显示前10篇文章）

今天写的是通过抓取PC端数据获取公众号内容。

 

抓取思路

1、选择需要抓取的公众号链接

通过PC端微信选择需要抓取的公众号

 

2、分析公众号数据格式

通过fiddler查看请求信息

发现我们请求的地址为：https://mp.weixin.qq.com/mp/profile_ext? 后面的为参数

这里会引入一个新的知识点Ajax。

通过分析数据得到（如何分析Ajax方法，下一篇单独写）

__biz : 用户和公众号之间的唯一id，

uin ：用户的私密id

key ：请求的秘钥，一段时候只会就会失效。

offset ：数量

count ：每次请求的条数

 

3、通过requests请求获取数据

import requests
# 请求地址
url = ‘https://mp.weixin.qq.com/mp/profile_ext?‘
# 添加请求头
headers = 
            ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/74.0.3729.131 Safari/537.36‘

# 请求参数
params=
  ‘__biz‘: ‘MjM5NDAwMTA2MA==‘,
        ‘uin‘: ‘MTczODIyNzg3Nw==‘,
        ‘key‘: ‘f0a7c0779e79e92b25b1a3f8779ec559b50f247ff4dd1ece070c17dd08d9dbdc602bbd8c5837e4b68c252507ac45796c2f928b87d1cdfdbd2852c1b48f9e019806524a1c8d633b8886c30d48f6a82a8c‘,
        ‘offset‘: 0,
        ‘count‘: 10,
        ‘action‘: ‘getmsg‘,
        ‘f‘: ‘json‘

# 获取请求的json格式
r = requests.get(url,headers=headers,params=params,verify = False).json()

 

4、解析请求数据获取我们想要内容

下图为我们想要的数据公众号的名称，链接，图片等

 通过json格式解析返回的json数据，拿到我们想要的数据

msg_list = json.loads(r[‘general_msg_list‘])
list = msg_list.get(‘list‘)
for i in list:
    info_list = i[‘app_msg_ext_info‘]
    # 获取标题
    title = info_list[‘title‘]
    print(title)
    # 链接
    content_url = info_list[‘content_url‘]
    print(content_url)
    #发布时间
    datetime_list = i[‘comm_msg_info‘][‘datetime‘]
    datetime = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(datetime_list))
    print(datetime)

请求结果：获取到了公众号的标题，公众号好的链接，公众号号的发布时间

这个地方也可以通过模拟url链接信息，然后获取全部数据，也可以再次请求公众号详情数据获取公众号发布的内容

 5、分析分页规律，获取全部公众号全部文章信息

通过分析发现控制分页的的是 offset 和 count 两个参数，通过观察发现规律，获取全部连接数据

# 这里模拟抓取5页的数据
for i in range(0,5):
    print(‘开始抓取第%s页数据‘%(i+1))
    params=
      ‘__biz‘: ‘MjM5NDAwMTA2MA==‘,
            ‘uin‘: ‘MTczODIyNzg3Nw==‘,
            ‘key‘: ‘f0a7c0779e79e92b25b1a3f8779ec559b50f247ff4dd1ece070c17dd08d9dbdc602bbd8c5837e4b68c252507ac45796c2f928b87d1cdfdbd2852c1b48f9e019806524a1c8d633b8886c30d48f6a82a8c‘,
            ‘offset‘: (i*10)+122,
            ‘count‘: (i*10)+10,
            ‘action‘: ‘getmsg‘,
            ‘f‘: ‘json‘
    

 

 

实例代码

# coding:utf-8
import requests
import json
import urllib3
import time
urllib3.disable_warnings()
# 请求地址
url = ‘https://mp.weixin.qq.com/mp/profile_ext?‘
# 添加请求头
headers = 
            ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36‘

# 请求参数
for i in range(0,5):
    print(‘开始抓取第%s页数据‘%(i+1))
    params=
      ‘__biz‘: ‘MjM5NDAwMTA2MA==‘,
            ‘uin‘: ‘MTczODIyNzg3Nw==‘,
            ‘key‘: ‘f0a7c0779e79e92b25b1a3f8779ec559b50f247ff4dd1ece070c17dd08d9dbdc602bbd8c5837e4b68c252507ac45796c2f928b87d1cdfdbd2852c1b48f9e019806524a1c8d633b8886c30d48f6a82a8c‘,
            ‘offset‘: (i*10)+122,
            ‘count‘: (i*10)+10,
            ‘action‘: ‘getmsg‘,
            ‘f‘: ‘json‘
    
    # 获取请求的json格式
    r = requests.get(url,headers=headers,params=params,verify = False).json()
    msg_list = json.loads(r[‘general_msg_list‘])
    list = msg_list.get(‘list‘)
    for i in list:
        info_list = i[‘app_msg_ext_info‘]
        # 获取标题
        title = info_list[‘title‘]
        print(title)
        # 链接
        content_url = info_list[‘content_url‘]
        print(content_url)
        #发布时间
        datetime_list = i[‘comm_msg_info‘][‘datetime‘]
        datetime = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(datetime_list))
        print(datetime)

 

 

感觉写的对您有帮助的话，点个关注，持续更新中~~~~坚持每天学习2小时