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. 13

    2019-06

    网络时代怎样使用代理ip上网

    随着网络信息时代的飞跃发展,代理ip的应用也越来越广泛。网络时代怎样使用代理ip上网呢?针对目前自身IP访问限制,或诸多站点对来访者的访问受限,作为国内领先网络服务商,IP代理精灵

  2. 15

    2019-05

    反向代理服务器是什么

    我们常会看到“反向代理服务器​”这个名词,例如常看到文章上说 nginx 是一个反向代理服务器、varnish 是一个反向代理服务器。反向代理服务器是什么?下面就了解下这个概念。含义 “反向

  3. 09

    2019-07

    IP代理精灵的短效优质代理IP为什么都连接不上

    有朋友用了IP代理精灵的短效优质代理IP发现,没有一个连接成功。这是为什么呢,难道IP代理精灵的代理IP出问题了?并非如此,IP代理精灵的短效优质代理IP需要绑定使用代理的机器IP授权,如

  4. 06

    2019-05

    路由器动态ip获取不到如何处理

    路由器设置动态IP上网时,一直获取不到动态IP怎么办?路由器中设置动态IP上网后,路由器中一直显示正在获取动态IP,但就是获取不到动态IP地址信息。出现这样的情况,原因是多种多样的,

  5. 13

    2019-06

    好用的代理ip软件

    使用代理ip绝对是个技术活,对于我们很多不太懂IT的网友来说还是免了吧。直接购买http代理IP更来得省事。好用的代理ip软件如何选择呢?今天我们就来聊聊这个问题。目前市场上众多代理ip软

  6. 26

    2019-04

    如何下载安全绿色的代理IP软件

    一提到代理IP软件,很多人想到的是“有没有病毒”“安不安全”等问题,总以为使用代理伪装自己的IP地址是为了干坏事,其实这是对代理IP软件的误解。本文今天就来教教大家如何下载安全绿