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. 20

    2019-06

    代理IP供应商如何选择

    随着网络的迅速发展,一些新兴的行业也跟着发展壮大起来,不断的丰富着人们的生活,例如代理IP,对于做网络营销的人员来说就是一个非常好用便利的工具,这几年代理IP行业的发展也是以

  2. 23

    2019-07

    代理ip的类型是什么

    代理ip​的类型是什么?代理IP的类型,具体是指代理IP协议类型,常见的有HTTP代理、HTTPS代理、Socks5代理等。HTTP代理,全称超文本传输协议(HyperText Transfer Protocol),是互联网数据传输的一种协

  3. 24

    2019-09

    PPTP、L2TP、OpenVPN优缺点分析

    PPTP、L2TP、OpenVPN优缺点分析

  4. 14

    2019-05

    网络爬虫如何获得大量动态ip进行数据抓取

    通常在数据爬取的时候,数据量相对较大,单个爬虫抓取速度太慢了,使用爬虫都是要多个爬虫抓取的,这时候就需要使用IP代理,使用多个动态IP来抓取可以提高爬虫的效率,同时降低单个IP访

  5. 04

    2019-01

    爬虫遇到403错误怎么处理?为什么爬虫会被拒绝访问?

    ​爬虫在进行爬取数据时,有时候会出现403错误,这是什么?表明什么意思呢?其实403Forbidden是HTTP协议中的一个状态码,它的意思是没有权限访问此站,即被拒绝了访问,这是为什么?

  6. 24

    2019-05

    代理IP、ADSL拨号、VPN三种换IP方式以及区别

    换IP就是改变或者隐藏自己电脑的地址,现在很多地方都需要换IP,下文为大家分享代理IP、ADSL拨号、VPN三种换IP方式以及区别,一起来看看吧!1、代理IP:代理IP一般都是免费的,我们软件自己