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

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. 29

    2019-05

    代理IP有什么用处

    大数据时代下,数据采集推动着数据分析,数据分析推动发展。但是在这个过程中会出现很多问题。拿最简单最基础的爬虫采集数据为例,过程中就会面临,IP被封,爬取受限、违法操作等多种

  2. 31

    2019-05

    独享代理IP好不好

    当我们在浏览网站的时候,经常会在网络上看到这样的词汇代理IP,相关的还有独享IP,有人说共享IP的功能就很好了,那独享IP能做什么呢?独享代理IP好不好呢?其实独享IP拥有代理IP基本的功

  3. 12

    2019-07

    如何选择高质量的http/https/sock5多协议代理ip

    随着大数据行业的飞速发展,用户对代理IP的需求量越来越大,代理IP服务供应商也越来越多,这意味着有更多的选择的同时,也意味着选择一家高质量的代理ip更加不容易。那么,如何选择高质

  4. 26

    2021-02

    浅析代理服务器中的透明代理

    浅析代理服务器中的透明代理!我们都知道代理服务器有很多个种类,其中按照请求信息的安全性可以分为全匿名代理,普通匿名代理,和透明代理。下面精灵代理IP给大家简单介绍一下透明代理

  5. 01

    2019-11

    怎么知道用户有没有用代理ip?

    怎么知道用户有没有用代理ip?有时候用代理ip之后,被对方发现了,对方是怎么发现用户使用了代理ip呢?

  6. 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?