Python selenium爬取微信公众号文章代码详解

参照资料：selenium webdriver添加cookie: https://www.jb51.net/article/193102.html

需求：

想阅读微信公众号历史文章，但是每次找回看得地方不方便。

思路：

1、使用selenium打开微信公众号历史文章，并滚动刷新到最底部，获取到所有历史文章urls。

2、对urls进行遍历访问，并进行下载到本地。

实现

1、打开微信客户端，点击某个微信公众号->进入公众号->打开历史文章链接（使用浏览器打开），并通过开发者工具获取到cookies，保存为excel。

2、启动webdriver，并添加相应cookies。

browser = webdriver.Chrome()wait = WebDriverWait(browser,10)# 随便访问一个地址，然后才能设置cookiesbrowser.get(’https://httpbin.org/get’)# 添加cookies,df为保存的excel cookiesfor i in range(len(df)): cookie_dict = { 'domain': df.loc[i,’DomaiN’], ’name’: df.loc[i,’Name’], ’value’: str(df.loc[i,’Value’]), 'expires': df.loc[i,'Expires/Max-Age'], ’path’: ’/’,} browser.add_cookie(cookie_dict)browser.get(weixin_url)

3、控制浏览器下移动

观察page_source，可以发现，文章到最底部的判断是。

<div id='js_nomore'> <div class='tips_wrp'> <span style='display: none;'>已无更多</span> <span style='display: none;'>关注公众帐号，接收更多消息</span> </div> </div>

使用driver控制JS。

%%time# 通过判断已无更多的style,来判断是否到最底部，最终执行到最底部no_more_msg_style = ’display: none;’while True: wait.until(EC.presence_of_element_located((By.XPATH,’//span[@ and text()='已无更多']’))) no_more= browser.find_element_by_xpath(’//span[@ and text()='已无更多']’) now_style = no_more.get_attribute(’style’) if str(now_style).find(no_more_msg_style) == -1: # 说明已经加载完了 break else: # 停顿一会，等待浏览器加载 time.sleep(5) # 通过JS，执行到最底部 browser.execute_script(’window.scrollTo(0,document.body.scrollHeight)’)

4、关键信息获取。

根据html,分析得出文章url处在<div msgid='1000000026'>中。

<div msgid='1000000026'> <div class='weui_msg_card_hd'>2017年1月13日</div> <div class='weui_msg_card_bd'> <!-- 图文 --> <!-- 普通图文 --> <div hrefs='http://mp.weixin.qq.com/s?__biz=MzI5MDQ4NzU5MA==&mid=2247483748&idx=1&sn=e804e638484794181a27c094f81be8e1&chksm=ec1e6d2ddb69e43bd3e1f554c2d0cedb37f099252f122cee1ac5052b589b56f428b2c304de8e&scene=38#wechat_redirect' data-t='0'> <span data-s='640' hrefs='http://mp.weixin.qq.com/s?__biz=MzI5MDQ4NzU5MA==&mid=2247483748&idx=1&sn=e804e638484794181a27c094f81be8e1&chksm=ec1e6d2ddb69e43bd3e1f554c2d0cedb37f099252f122cee1ac5052b589b56f428b2c304de8e&scene=38#wechat_redirect' data-type='APPMSG'> </span> <div data-type='APPMSG'><h4 hrefs='http://mp.weixin.qq.com/s?__biz=MzI5MDQ4NzU5MA==&mid=2247483748&idx=1&sn=e804e638484794181a27c094f81be8e1&chksm=ec1e6d2ddb69e43bd3e1f554c2d0cedb37f099252f122cee1ac5052b589b56f428b2c304de8e&scene=38#wechat_redirect'> 承认自己是难民有什么错</h4><p class='weui_media_desc'>枷锁已经足够沉重，谢绝道德绑架</p><p class='weui_media_extra_info'>2017年1月13日</p> </div> </div> </div> </div>

文章类型主要分为，

<div data-type='APPMSG'><div data-type='TEXT'>

有无原创进行划分。

最终实现：

%%timeresult = []errlist = []# 先得到其中一个el_divs = browser.find_elements_by_xpath(’//div[@class='weui_msg_card_list']/div[@class='weui_msg_card js_card']’)i = 0for div in el_divs: date = title = url = yuanchuang = ’’ try: date = div.find_element_by_xpath(’.//div[@class='weui_msg_card_hd']’).get_attribute(’innerHTML’) el_content = div.find_element_by_xpath(’.//div[@class='weui_media_bd js_media']’) if el_content.get_attribute(’data-type’) == ’APPMSG’: el = el_content.find_element_by_xpath(’./h4[@class='weui_media_title']’) title = el.text url = el.get_attribute(’hrefs’) xb = el_content.find_element_by_xpath(’./p[@class='weui_media_extra_info']’).text yuanchuang = ’原创’ if xb.find(’原创’) != -1 else ’’ elif el_content.get_attribute(’data-type’) == ’TEXT’: title = ’随文’ url = el_content.find_element_by_xpath(’./div’).text yuanchuang = ’原创’ else: # 其他未能识别的类型 errlist.append([i,div.get_attribute(’innerHTML’)]) except NoSuchElementException: errlist.append([i,div.get_attribute(’innerHTML’)]) print(str(i),’:’,date,title,url,yuanchuang) result.append([date,title,yuanchuang,url]) i = i + 1

5、将得到url保存到excel

dfout = pd.DataFrame(result, columns=[’日期’, ’标题’, ’原创’, ’地址’]) with pd.ExcelWriter(savename) as writer:dfout.to_excel(writer,index=False,sheet_name = ’Sheet1’)

最终保存形式

6、在遍历最后的链接地址，逐个requets保存，即可得到。组建成菜单形式的文章，可参考

记一次 excel vba 参考手册爬虫实战，不必要的一次爬虫。：htthttps://www.jb51.net/article/193107.htm

遇到的坑：

1、find_element_by_xpath 需要配上 NoSuchElementException 使用，否则遇到未找到的节点就会出错，最初find_elements_by_xpath 来防止找不到相关节点，结果发现，执行速度异常的慢，需要查找原因。

2、cookies使用的时候是人为获取，如果太长时间不用，需要重新获取。可以考虑结合pyautogui来控制weixin客户端来进行获取。？

3、构建的时候，最后分布试行，最初的文章类型没有做好判断，结果执行时间很久。做好异常捕获，再逐步分析错误的节点问题。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持好吧啦网。