使用代理处理反爬抓取微信文章

52次阅读

共计 4808 个字符,预计需要花费 13 分钟才能阅读完成。

目标
使用代理反爬抓取微信文章,获取文章标题、内容、公众号等信息,并存储到 MongoDB 数据库中。
流程框架
如果要抓取微信公众号文章可以使用搜狗的搜索引擎,它会显示最新的文章,但是有两个问题需要大家注意:

如果要抓取某一个主题(比如微信风景文章)的所有记录的话,需要先登录(也就是你的请求头 headers 中要有登陆之后服务器返回的 cookies), 未登录只可以查看 10 页,登录之后可以查看 100 页
搜狗微信站点的反爬措施比较严格,如果只是用本地 IP(单 IP)去抓取的话肯定是不行的,这个时候我们需要用到代理池技术(通过可用随机代理去绕过反爬机制)

关于代理池的实现以及使用可以参考这篇文章:使用 Redis+Flask 维护动态代理池
下图展示了具体的流程框架:
(1) 抓取索引页内容
def parse_index(html):

doc = pq(html)
items = doc(‘.news-box .news-list li .txt-box h3 a’).items()
for item in items:
yield item.attr(‘href’)def parse_index(html):
doc = pq(html)
items = doc(‘.news-box .news-list li .txt-box h3 a’).items()
for item in items:
yield item.attr(‘href’)
在流程框架部分我们提到,在此将要使用搜狗搜索微信站点文章,首先让我们进入搜狗搜索界面 https://weixin.sogou.com/,比如输入关键字风景,就会出现微信文章的列表。
从网页的 url 可以看出这是一个 get 请求,只保留主要参数,可以把 url 简化为

其中,“query”代表搜索的关键词,“type”代表搜索结果的类型,“type=1”表示搜索结果是微信公众号,“type=2”表示搜索结果是微信文章,“page”也就是当前页数。
分析完网页的 url 组成之后,我们先解决第一个问题:保存 cookie,模拟登录。打开浏览器控制台,选择 NetWork->Headers 选项卡,可以看到请求的 headers 信息。

解决完以上问题之后,让我们尝试写一下代码获取第 1 -100 页的网页源码:
from urllib.parse import urlencode
import requests

base_url = ‘https://weixin.sogou.com/weixin?’

# 构造请求头
headers = {
‘Cookie’: ‘CXID=DF1F2AE56903B8B6289106D60E0C1339; SUID=F5959E3D8483920A000000005BCEB8CD; sw_uuid=3544458569; ssuid=8026096631; pex=C864C03270DED3DD8A06887A372DA219231FFAC25A9D64AE09E82AED12E416AC; SUV=00140F4F78C27EE25BF168CF5C981926; ad=p7R@vkllll2bio@ZlllllVsE@EclllllNBENLlllll9lllllpA7ll5@@@@@@@@@@; IPLOC=CN4110; ABTEST=2|1543456547|v1; weixinIndexVisited=1; sct=1; JSESSIONID=aaaXtNmDWRk5X5sEsy6Cw; PHPSESSID=lfgarg05due13kkgknnlbh3bq7; SUIR=EF72CF750D0876CFF631992E0D94BE34;’,
‘Host’: ‘weixin.sogou.com’,
‘Upgrade-Insecure-Requests’: ‘1’,
‘User-Agent’: ‘Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36’
}

def get_html(url, count=1):
response = requests.get(url, allow_redirects=False, headers=headers)
# 判断网页返回的状态码是否正常
# 如果状态码是 200 说明可以正常访问
if response.status_code == 200:
return response.text
# 如果状态码是 302,则说明 IP 已经被封
if response.status_code == 302:
return None

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

def main():
for page in range(1, 101):
html = get_index(‘ 风景 ’, page)
print(html)

if __name__ == ‘__main__’:
main()
运行以上代码,会发现刚开始运行正常,正确返回网页源码,之后便一直返回 None,此时让我们打开浏览器观察一下:

可以看出,代码运行后不停返回 None 的原因是网页被重定向,需要输入验证码才能正常访问,这便是我们开篇说过的第二个问题,我们的访问被搜狗搜索的反爬虫措施拦截,如果想要继续正常访问,便需要利用代理池获取随机代理来绕过反爬机制。
(2) 代理设置
在使用 Redis+Flask 维护动态代理池一文中,我们讲解了代理池的基本原理和简单实现,代码已托管到 github 上,现在让我们利用代理池来获取随机代理。
首先让我们定义 get_proxy() 方法,返回代理池获取的随机可用 ip:
# flask 监听的是 5000 端口
PROXY_POOL_URL = ‘http://127.0.0.1:5000/get’

def get_proxy():
try:
response = requests.get(PROXY_POOL_URL)
if response.status_code == 200:
return response.text
return None
except ConnectionError:
return None
接下来修改 get_html(url, count=1) 方法,以随机 ip 的方式访问网页:
MAX_COUNT = 5
proxy = None

def get_html(url, count=1):
# 打印抓取的 url
print(‘Crawling’, url)
# 打印尝试抓取的次数
print(‘Trying Count’, count)
global proxy
# 如果抓取的次数大于最大次数,则返回 None
if count >= MAX_COUNT:
print(‘Tried Too Many Counts’)
return None
try:
if proxy:
proxies = {
‘http’: ‘http://’ + proxy
}
# allow_redirects=False: 禁止浏览器自动处理 302 跳转
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
# 状态码是 302,说明 IP 已经被封,调用 get_proxy() 获取新的 ip
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:
# 如果连接超时,重新调用 get_html(url, count) 方法
print(‘Error Occurred’, e.args)
proxy = get_proxy()
count += 1
return get_html(url, count)

再次运行代码,会发现不停重复打印 None 的情况基本消失。大家注意,这里是基本消失,原因是我们的代理池使用的是免费代理网站获取的代理,同一时刻可能会有许多人访问,这样就很容易造成 ip 地址被封的情况。如果你想要获取更好的效果,不妨使用一下收费代理。
至此,我们解决了开篇提到的两个问题,接下来,就可以抓取网页,分析内容。
(3) 分析详情页内容
首先我们需要获取到第 1 -100 页中每一篇文章的 url:

def parse_index(html):
doc = pq(html)
items = doc(‘.news-box .news-list li .txt-box h3 a’).items()
for item in items:
yield item.attr(‘href’)

def main():
for page in range(1, 101):
html = get_index(KEYWORD, page)
if html:
article_urls = parse_index(html)
print(article_urls)
获取到每一篇文章的 url 之后,就需要解析每一篇文章的内容。解析方法与上面相同,在此不再赘述。具体代码如下:
def parse_detail(html):
try:
doc = pq(html)
title = doc(‘.rich_media_title’).text()
content = doc(‘.rich_media_content ‘).text()
date = doc(‘#publish_time’).text()
nickname = doc(‘.rich_media_meta_list .rich_media_meta_nickname’).text()
wechat = doc(‘#activity-name’).text()
return {
‘title’: title,
‘content’: content,
‘date’: date,
‘nickname’: nickname,
‘wechat’: wechat
}
except XMLSyntaxError:
return None
需要注意的一点就是需要捕获 XMLSyntaxError 异常。
(4) 将数据保存到数据库
最后让我们新建一个 config.py 文件,文件中包含了 MongoDB 的 URL,数据库名称,表名称等常量:
MONGO_URL = ‘localhost’
MONGO_DB = ‘weixin’
在 spider.py 中配置存储到 MongoDB 相关方法:
from config import *
import pymongo

client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]

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’])
运行代码,接下来在 MongoDB 中进行查看:

项目完整代码已托管到 github:https://github.com/panjings/p…

正文完
 0