注意: IP代理精灵仅提供国内ip网络节点,不提供境外网络节点,不能用于任何非法用途或访问境外封闭网站,不能跨境联网,只能用于合法的国内网络加速。

请登录 注册 实名验证

首页 > 新闻资讯 > 如何使用IP代理爬取微信公众号文章

如何使用IP代理爬取微信公众号文章

来源:IP代理精灵​ 作者:admin 时间:2019-04-19 13:56:33

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,如何使用IP代理爬取微信公众号文章?下面具体为大家介绍一下。


一 目标


利用代理爬取微信公众号的文章,提取正文、发表日期、公众号等内容,爬取的来源是搜狗微信,链接是https://weixin.sogou.com/,然后把爬取结构保存到MySQL数据库。


二 准备好代理池


三 爬取分析


1 搜索NAB,可以搜索到最新的文章

如何使用IP代理爬取微信公众号文章

2 搜索的URL为:https://weixin.sogou.com/weixin?type=2&query=NBA&ie=utf8&s_from=input&_sug_=y&_sug_type_=&w=01019900&sut=1512&sst0=1549769076479&lkt=4%2C1549769074864%2C1549769076377,我们去掉无关的参数,仅搜索https://weixin.sogou.com/weixin?type=2&query=NBA


3 分页列表为

如何使用IP代理爬取微信公众号文章

没有账号登录,只能看到10页,如果登录,能看到更多的内容:

如何使用IP代理爬取微信公众号文章

4 搜狗的反爬能力


如果连续刷新,站点会弹出类似下面反爬虫验证页面,说明IP访问次数太高,IP被封禁。

如何使用IP代理爬取微信公众号文章

5 实现思路


修改代理池检测链接为搜狗微信站点


构造Redis爬取队列,用队列实现请求的存取


实现异常处理,失败的请求重新加入队列


实现翻译和提取文章列表,并把请求加入队列


实现微信文章的信息提取


将提取到的信息保存到Mysql


四 构造请求


继承Request,定义WeixinRequest


from weixin.config import *
from requests import Request


class WeixinRequest(Request):
    def __init__(self, url, callback, method='GET', headers=None, need_proxy=False, fail_time=0, timeout=TIMEOUT):
        Request.__init__(self, method, url, headers)
        # 回调函数
        self.callback = callback
        # 是否需要代理爬取
        self.need_proxy = need_proxy
        # 失败次数
        self.fail_time = fail_time
        # 超时时间
        self.timeout = timeout

五 实现请求队列


1 代码


from redis import StrictRedis
from weixin.config import *
from pickle import dumps, loads
from weixin.request import WeixinRequest


class RedisQueue():
    def __init__(self):
        """
        初始化StrictRedis
        """
        self.db = StrictRedis(host=REDIS_HOST, port=REDIS_PORT, password=REDIS_PASSWORD)

    def add(self, request):
        """
        向队列添加序列化后的Request
        :param request: 请求对象
        :param fail_time: 失败次数
        :return: 添加结果
        """
        if isinstance(request, WeixinRequest):
            return self.db.rpush(REDIS_KEY, dumps(request))
        return False

    def pop(self):
        """
        取出下一个Request并反序列化
        :return: Request or None
        """
        if self.db.llen(REDIS_KEY):
            return loads(self.db.lpop(REDIS_KEY))
        else:
            return False

    def clear(self):
        self.db.delete(REDIS_KEY)

    def empty(self):
        return self.db.llen(REDIS_KEY) == 0


if __name__ == '__main__':
    db = RedisQueue()
    start_url = 'http://www.baidu.com'
    weixin_request = WeixinRequest(url=start_url, callback='hello', need_proxy=True)
    db.add(weixin_request)
    request = db.pop()
    print(request)
    print(request.callback, request.need_proxy)

2 测试结果


E:\Python\Weixin\venv\Scripts\python.exe E:/Python/Weixin/weixin/db.py
<Request [GET]>
hello True


最新资讯

推荐阅读

  1. 18

    2019-04

    重启路由器可以换IP吗

    想换IP有哪些方法可以实现?有时候IP被限制了,怎么换IP访问,重启路由器可以换IP吗?一般家庭的基于PPPOE拨号方式上网的,使用的是动态IP,可以更换IP,下面一起去看看如何重启路由器:

  2. 02

    2019-08

    为什么要使用代理模式

    代理这个词大家肯定已经非常熟悉,因为现实中接触的很多,其实现实中的东西恰恰可以非常形象和直观地反映出模式的抽象过程以及本质。现在房子不是吵得热火朝天吗?我们就以房子为例,

  3. 14

    2020-01

    探秘代理服务器是怎样帮助客户采集信息?

    探秘代理服务器是怎样帮助客户采集信息?当客户需要在某一个或多个网站抓取采集所需要的资料时, IP地址 会被网站所识别并且记录下来反馈到后台,当这一行为重复多次进行时,势必会通过

  4. 11

    2019-05

    使用代理IP进行数据采集被拒绝怎么办

    使用代理IP​进行数据采集被拒绝怎么办?无论是网络爬虫的公司或者是个人爱好者,都曾经遇到过在数据采集的过程中呗拒绝的状况,我们举个例子分析一下,为什么会被拒绝。原因一:IP地

  5. 13

    2019-12

    代理ip让上网变得更加安全

    代理ip让上网变得更加安全!在互联网快速的发展下,网上个人信息隐患也成了人们关注的话题。很多人在上网的时候总会担心一个问题,那就是自己的浏览记录被别人看见,而且还有一些网站会

  6. 09

    2019-05

    使用高匿代理可以确保信息安全吗

    现在是信息时代,数据的获取对于企业的发展至关重要,企业采用爬虫技术爬取用户信息。这样的背景下,大家对于信息安全也有了保护意识,但是还是不可避免的被各种企业泄露出去,那么如