怎么用Python爬蟲公眾號文章和鏈接

這篇文章主要講解了“怎么用Python爬蟲公眾號文章和鏈接”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“怎么用Python爬蟲公眾號文章和鏈接”吧！

抓包

我們需要通過抓包提取公眾號文章的請求的 URL，參考之前寫過的一篇抓包的文章 Python爬蟲APP前的準備，pk哥這次直接抓取 PC  端微信的公眾號文章列表信息，更簡單。

我以抓包工具 Charles 為例，勾選容許抓取電腦的請求，一般是默認就勾選的。

為了過濾掉其他無關請求，我們在左下方設置下我們要抓取的域名。

打開 PC 端微信，打開 「Python知識圈」公眾號文章列表后，Charles 就會抓取到大量的請求，找到我們需要的請求，返回的 JSON  信息里包含了文章的標題、摘要、鏈接等信息，都在 comm_msg_info 下面。

這些都是請求鏈接后的返回，請求鏈接 url 我們可以在 Overview 中查看。

通過抓包獲取了這么多信息后，我們可以寫爬蟲爬取所有文章的信息并保存了。

初始化函數

公眾號歷史文章列表向上滑動，加載更多文章后發現鏈接中變化的只有 offset 這個參數，我們創建一個初始化函數，加入代理 IP，請求頭和信息，請求頭包含了  User-Agent、Cookie、Referer。

這些信息都在抓包工具可以看到。

請求數據

通過抓包分析出來了請求鏈接，我們就可以用 requests 庫來請求了，用返回碼是否為 200 做一個判斷，200  的話說明返回信息正常，我們再構建一個函數 parse_data() 來解析提取我們需要的返回信息。

def request_data(self):     try:         response = requests.get(self.base_url.format(self.offset), headers=self.headers, proxies=self.proxy)         print(self.base_url.format(self.offset))         if 200 == response.status_code:            self.parse_data(response.text)     except Exception as e:         print(e)         time.sleep(2)         pass

提取數據

通過分析返回的 Json 數據，我們可以看到，我們需要的數據都在 app_msg_ext_info 下面。

我們用 json.loads 解析返回的 Json 信息，把我們需要的列保存在 csv  文件中，有標題、摘要、文章鏈接三列信息，其他信息也可以自己加。

def parse_data(self, responseData):             all_datas = json.loads(responseData)             if 0 == all_datas['ret'] and all_datas['msg_count']>0:                 summy_datas = all_datas['general_msg_list']                 datas = json.loads(summy_datas)['list']                 a = []                 for data in datas:                     try:                         title = data['app_msg_ext_info']['title']                         title_child = data['app_msg_ext_info']['digest']                         article_url = data['app_msg_ext_info']['content_url']                         info = {}                         info['標題'] = title                         info['小標題'] = title_child                         info['文章鏈接'] = article_url                         a.append(info)                     except Exception as e:                         print(e)                         continue                  print('正在寫入文件')                 with open('Python公眾號文章合集1.csv', 'a', newline='', encoding='utf-8') as f:                     fieldnames = ['標題', '小標題', '文章鏈接']  # 控制列的順序                     writer = csv.DictWriter(f, fieldnames=fieldnames)                     writer.writeheader()                     writer.writerows(a)                     print("寫入成功")                  print('----------------------------------------')                 time.sleep(int(format(random.randint(2, 5))))                 self.offset = self.offset+10                 self.request_data()             else:                 print('抓取數據完畢！')

這樣，爬取的結果就會以 csv 格式保存起來。

運行代碼時，可能會遇到 SSLError 的報錯，最快的解決辦法就是 base_url 前面的 https 去掉 s 再運行。

保存markdown格式的鏈接

經常寫文章的人應該都知道，一般寫文字都會用 Markdown 的格式來寫文章，這樣的話，不管放在哪個平臺，文章的格式都不會變化。

在 Markdown 格式里，用 [文章標題](文章url鏈接) 表示，所以我們保存信息時再加一列信息就行，標題和文章鏈接都獲取了，Markdown  格式的 url 也就簡單了。

md_url = '[{}]'.format(title) + '({})'.format(article_url)

爬取完成后，效果如下。

我們把 md鏈接這一列全部粘貼到 Markdown 格式的筆記里就行了，大部分的筆記軟件都知道新建 Markdown 格式的文件的。

感謝各位的閱讀，以上就是“怎么用Python爬蟲公眾號文章和鏈接”的內容了，經過本文的學習后，相信大家對怎么用Python爬蟲公眾號文章和鏈接這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！