溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要介紹了python如何使用pywinauto驅動微信客戶端實現公眾號爬蟲，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。
pywinauto是一個python的工具，可以用于控制Windows的GUI程序。詳細的文檔可以參考這里。
自動化微信的代碼封裝在了類WechatAutomator里，完整的代碼可以參考這里。這里簡要的介紹一下其中的主要方法：
這個方法完成類的初始化，它的代碼為：
def init_window(self, exe_path=r"C:\Program Files (x86)\Tencent\WeChat\WeChat.exe", turn_page_interval=3, click_url_interval=1, win_width=1000, win_height=600): app = Application(backend="uia").connect(path=exe_path) self.main_win = app.window(title=u"微信", class_name="WeChatMainWndForPC") self.main_win.set_focus() self.app = app self.visible_top = 70 self.turn_page_interval = turn_page_interval self.click_url_interval = click_url_interval self.browser = None self.win_width = win_width self.win_height = win_height # 為了讓移動窗口，同時使用非uia的backend，這是pywinauto的uia的一個bug self.app2 = Application().connect(path=exe_path) self.move_window()
我們首先來看函數的參數：
exe_path
微信程序的地址
turn_page_interval
抓取翻頁時的時間間隔，默認3s
click_url_interval
在抓取一頁的url時的間隔，默認1s
win_width
設置窗口的寬度
win_height
設置窗口的高度，如果顯示器的分辨率較大，可以設置的更加高一些，從而一頁包含的文章數更多一些，從而翻頁少一點。注意：一定要保證窗口完全可見，也就是說win_height不能大于實際分辨率的高度！
這個函數的主要功能是構建Application對象從而通過pywinauto實現控制，這里使用的是uia的backend，然后設置窗口的大小并且把窗口移到最左上角。因為根據so文章，pywinauto 0.6.8存在bug，只能通過win32的backend來移到窗口，所以構造了self.app2然后調用move_window()函數把窗口移到最左上角。
這個函數實現了某個公眾號的文章抓取。它的基本控制邏輯如下：
首先通過搜索框根據名字搜索公眾號并且點擊它。
對于當前頁點擊所有的鏈接并且下載其內容。
使用PAGE_DOWN鍵往下翻頁
需要判斷是否繼續抓取
第一個是通過locate_user函數實現，后面會介紹。第二個是通過process_page函數實現，后面也會介紹。判斷是否繼續抓取的邏輯為：
如果翻頁超過max_pages，則停止抓取
如果碰到某個url曾經抓取過，那說明之前的文章都已經抓取過了，則停止抓取
如果lastest_date不是None并且一篇文章的發布日期早于它，則停止抓取
所以我們通常會在第一次抓取的時候把max_pages設置的很大(比如100)，然后通過latest_date來抓到指定的日期。而之后的抓取則設置max_pages為較小的值(比如默認的6)，這樣只要爬蟲在兩次抓取之間公眾號的更新不超過6頁，那么就不會漏掉文章。具體的邏輯可以參考main.py，它會把抓取的文章通過http請求發給Server，并且每次抓取的時候從Server查詢抓取過的文章存放到states這個list里states[i][“url”]就存儲了第i篇文章的url。
def crawl_gongzhonghao(self, account_name, articles, states, detail,
max_pages=6, latest_date=None, no_item_retry=3):
logger.debug(account_name)
if not self.locate_user(account_name):
return False
last_visited_titles = set()
visited_urls = set()
self.turn_page_up(min(20, max_pages * 2))
pagedown_retry = 0
last_visited_titles = []
for page in range(0, max_pages):
items = []
last_visited_titles = self.process_page(account_name, items, last_visited_titles, states, visited_urls, detail)
articles.extend(items)
if len(items) == 0:
pagedown_retry += 1
if pagedown_retry >= no_item_retry:
s = "break because of retry {}".format(pagedown_retry)
logger.debug(s)
WechatAutomator.add_to_detail(s, detail)
break
else:
pagedown_retry = 0
if len(items) > 0 and latest_date is not None:
html = items[-1][-1]
pub_date = WechatAutomator.get_pubdate(html)
if pub_date and pub_date < latest_date:
s = "stop because {} < {}".format(pub_date, latest_date)
logger.debug(s)
WechatAutomator.add_to_detail(s, detail)
break
url_exist = False
for item in items:
if WechatAutomator.url_in_states(item[0], states):
s = "stop because url exist {}".format(item[0])
logger.debug(s)
WechatAutomator.add_to_detail(s, detail)
url_exist = True
break
if url_exist:
break
self.click_right()
self.main_win.type_keys("{PGDN}")
time.sleep(self.turn_page_interval)
self.turn_page_up(page * 2)
return Truelocate_user函數的控制流程為：
找到左上角的搜索框并且點擊它獲得焦點
使用ctrl+a選中可能有的文字(之前的bug?)并且使用后退鍵刪除它們
輸入公眾號名稱
在彈出的list里點擊這個公眾號名稱從而進入公眾號
def locate_user(self, user, retry=5):
if not self.main_win:
raise RuntimeError("you should call init_window first")
search_btn = self.main_win.child_window(title="搜索", control_type="Edit")
self.click_center(search_btn)
self.main_win.type_keys("^a")
self.main_win.type_keys("{BACKSPACE}")
self.main_win.type_keys(user)
for i in range(retry):
time.sleep(1)
try:
search_list = self.main_win.child_window(title="搜索結果")
match_result = search_list.child_window(title=user, control_type="ListItem")
self.click_center(match_result)
return True
except:
pass
return False這里主要就是通過child_window函數進行定位，關于它的用法這里不介紹。關于怎么定位元素的方法可以使用Inspect.exe或者print_control_identifiers函數，具體參考這里。
這個函數是最主要的抓取代碼，它處理當前一頁的內容，它的控制流程如下：
構建當前頁的tree
使用recursive_get函數遍歷這顆樹并且找到每篇文章對應的element
遍歷每一篇文章
如果文章的名字在上一頁出現過，則跳過
獲得這篇文章的坐標信息
如果文章不可見(rect.top >= win_rect.bottom or rect.bottom <= self.visible_top)則跳過
計算點擊的坐標
點擊文章打開新的窗口
在新的窗口中點擊【復制鏈接】按鈕
從剪貼板復制鏈接url
通過url下載文章內容并且parse發布日期
邏輯比較簡單，但是有一些很trick的地方：
微信翻頁的實現
微信客戶端的翻頁和瀏覽器不同，它的內容是累加的，比如第一頁3篇文章，往下翻一頁可能變成6篇文章，再翻可能變成9篇。這個時候這9篇文章都是在tree中的，只不過最后3篇的坐標(top和bottom)是空間的。
能否點擊 一篇文章對應的框(圖)可能是部分可見的，甚至它的top非常接近屏幕的最下方，這個時候可能點不了。如下圖所示：
與此類似的是右上角的黑色頭部(不能滾到并且會遮擋)也有一定空間，如下圖所示：
點擊的位置
因為這個框可能很窄(bottom-top很小)并且可能在很靠上或者靠下的位置。所以有如下代碼：
# 計算可見的高度
visible_height = min(rect.bottom, win_rect.bottom) - max(rect.top, win_rect.top+self.visible_top)
# 太窄的不點擊，希望下次翻頁后能顯示更多像素從而可以點擊，
# 但是如果微信的某個文章的框的高度小于10個像素，那么這篇文章就無法被點擊
# 不過作者目前為發現這么窄的文章
if visible_height < 10:
continue
# 如果某個文章的框太大，則拋出異常，目前為止為發現這樣的問題。
if rect.bottom - rect.top >= win_rect.bottom - self.visible_top:
raise RuntimeError("{}-{}>={}-{}".format(rect.bottom, rect.top,
win_rect.bottom, self.visible_top))
# 如果下部部分可見，那么點擊上方是比較”安全“的
if rect.bottom >= win_rect.bottom:
click_up = True
# 如果下部完全可見，則點擊下方是”安全“的
else:
click_up = False完整代碼如下：
def process_page(self, account_name, items, lastpage_clicked_titles, states, visited_urls, detail):
clicked_titles = set()
text = self.main_win.child_window(title=account_name, control_type="Text", found_index=0)
parent = text
while parent:
parent = parent.parent()
if '會話列表' == parent.element_info.name:
break
paths = [0, 2, 0, 0, 0, 1, 0]
for idx in paths:
parent = parent.children()[idx]
elems = []
self.recursive_get(parent, elems)
win_rect = self.main_win.rectangle()
for elem in elems:
rect = elem.rectangle()
if elem.element_info.name in lastpage_clicked_titles:
continue
if rect.top >= win_rect.bottom or rect.bottom <= self.visible_top:
continue
visible_height = min(rect.bottom, win_rect.bottom) - max(rect.top, win_rect.top+self.visible_top)
if visible_height < 10:
continue
if rect.bottom - rect.top >= win_rect.bottom - self.visible_top:
raise RuntimeError("{}-{}>={}-{}".format(rect.bottom, rect.top,
win_rect.bottom, self.visible_top))
if rect.bottom >= win_rect.bottom:
click_up = True
else:
click_up = False
if self.is_bad_elem(elem):
s = "not good elem {}".format(elem.element_info.name[0:10])
logger.debug(s)
WechatAutomator.add_to_detail(s, detail)
continue
try:
self.click_url(rect, win_rect, click_up)
copy_btn = self.browser.child_window(title="復制鏈接地址")
self.click_center(copy_btn, click_main=False)
url = clipboard.GetData()
if elem.element_info.name != '圖片':
clicked_titles.add(elem.element_info.name)
if url and not url in visited_urls:
visited_urls.add(url)
html = None
try:
html = requests.get(url).text
except:
s = "fail get {}".format(url)
logger.debug(s)
WechatAutomator.add_to_detail(s, detail)
items.append((url, rect, elem.element_info.name, html))
except:
traceback.print_exc()
pass
finally:
if self.browser:
try:
self.browser.close()
except:
pass
self.browser = None
time.sleep(self.click_url_interval)
return clicked_titlesPython主要應用于：1、Web開發；2、數據科學研究；3、網絡爬蟲；4、嵌入式應用開發；5、游戲開發；6、桌面應用開發。
感謝你能夠認真閱讀完這篇文章，希望小編分享的“python如何使用pywinauto驅動微信客戶端實現公眾號爬蟲”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業資訊頻道，更多相關知識等著你來學習!
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
