python爬取微信公眾號的方法

本文小編為大家詳細介紹“python爬取微信公眾號的方法”，內容詳細，步驟清晰，細節處理妥當，希望這篇“python爬取微信公眾號的方法”文章能幫助大家解決疑惑，下面跟著小編的思路慢慢深入，一起來學習新知識吧。

pywinauto簡介

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。

WechatAutomator類

init_window

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)TencentWeChatWeChat.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。

crawl_gongzhonghao

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 True

locate_user

locate_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。

process_page

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。

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

• 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_titles

讀到這里，這篇“python爬取微信公眾號的方法”文章已經介紹完畢，想要掌握這篇文章的知識點還需要大家自己動手實踐使用過才能領會，如果想了解更多相關內容的文章，歡迎關注億速云行業資訊頻道。