使用代理爬取微信文章

　　思路：

　　使用搜狗搜索爬取微信文章时由于官方有反爬虫措施，不更换代理容易被封，所以使用更换代理的方法爬取微信文章，代理池使用的是GitHub上的开源项目，地址如下：https://github.com/jhao104/proxy_pool，代理池配置参考开源项目的配置。

　　步骤：

1）分析网页结构，拿到网页请求参数

　　

2）构造请求参数，获取索引页内容：

def get_index(keyword, page):
    data = {
        'query': keyword,
        'type': 2,
        'page': page
    }
    queries = urlencode(data)
    url = base_url + queries
    html = get_html(url)
    return html

 

3）主要讲下代理IP的实现方法，先设置本地IP为默认代理，定义获取代理池IP地址的函数，当爬取出现403错误的时候更改代理，在获取网页源代码的时候传入代理IP地址，若获取网页源代码失败再次调用 get_html() 方法，再次进行获取尝试。

#初始化代理为本地IP
proxy = None

#定义获取代理函数
def get_proxy():
    try:
        response = requests.get('PROXY_POOL_URL')
        if response.status_code == 200:
            return response.text
        return None
    except ConnectionError:
        return None

#添加代理获取网页内容
def get_html(url, count=1):
    print('Crawling', url)
    print('Trying Count', count)
    global proxy
    if count >= MAX_COUNT:
        print('Tried Too Many Counts')
        return None
    try:
        if proxy:
            proxies = {
                'http': 'http://' + proxy
            }
            response = requests.get(url, allow_redirects=False, headers=headers, proxies=proxies)
        else:
            response = requests.get(url, allow_redirects=False, headers=headers)
        if response.status_code == 200:
            return response.text
        if response.status_code == 302:
            # Need Proxy
            print('302')
            proxy = get_proxy()
            if proxy:
                print('Using Proxy', proxy)
                return get_html(url)
            else:
                print('Get Proxy Failed')
                return None
    except ConnectionError as e:
        print('Error Occurred', e.args)
        proxy = get_proxy()
        count += 1
        return get_html(url, count)

 

4）使用 pyquery 获取详情页详细微信文章信息（如：微信文章标题、内容、日期、公众号名称等）：

def parse_detail(html):
    try:
        doc = pq(html)
        title = doc('.rich_media_title').text()
        content = doc('.rich_media_content').text()
        date = doc('#post-date').text()
        nickname = doc('#js_profile_qrcode > div > strong').text()
        wechat = doc('#js_profile_qrcode > div > p:nth-child(3) > span').text()
        return {
            'title': title,
            'content': content,
            'date': date,
            'nickname': nickname,
            'wechat': wechat
        }
    except XMLSyntaxError:
        return None

 

5）存储到MongoDB，去重操作：

def save_to_mongo(data):
    if db['articles'].update({'title': data['title']}, {'$set': data}, True):
        print('Saved to Mongo', data['title'])
    else:
        print('Saved to Mongo Failed', data['title'])

 

操作过程：

1）开启代理池：

 

2）运行 spider.py 文件：

 

3) 查看保存在MongoDB的内容：

 

完整代码在GitHub上：https://github.com/weixuqin/PythonProjects/tree/master/WeixinArticles

 

PS：当我使用配置好的默认参数文件 config.py ，并导入当前目录下的 spider.py , 发现 pycharm 提示我错误，实际上并没有出错

原因是 pycharm 不会将当前文件目录自动加入自己的 sourse_path ，所以需要我们手动导入：右键make_directory as-->sources path将当前工作的文件夹加入source_path。