爬取微信公眾號內容——繪製詞雲
阿新 • • 發佈:2019-02-15
寫在前面的話
前段時間寫了一篇通過搜狗引擎獲取微信公眾號的文章,最近又看了一個網易雲歌詞繪製詞雲的程式
然後我就想,能否把這兩者結合起來呢
還好經歷幾多波折終於把這個東西給弄出來了。
其實中間的實現不是很難, 關鍵是環境搭建實在是太困難了
好了,先把程式碼以及效果圖奉獻上吧
程式碼
weixin_spider.py
#!/usr/bin/python
# coding: utf-8
#這三行程式碼是防止在python2上面編碼錯誤的,在python3上面不要要這樣設定
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
from urllib import quote
from pyquery import PyQuery as pq
from selenium import webdriver
import requests
import time
import re
import json
import os
#搜尋入口地址,以公眾為關鍵字搜尋該公眾號
def get_search_result_by_keywords(sogou_search_url):
# 爬蟲偽裝頭部設定
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:51.0) Gecko/20100101 Firefox/51.0' }
# 設定操作超時時長
timeout = 5
# 爬蟲模擬在一個request.session中完成
s = requests.Session()
log(u'搜尋地址為:%s' % sogou_search_url)
return s.get(sogou_search_url, headers=headers, timeout=timeout).content
#獲得公眾號主頁地址
def get_wx_url_by_sougou_search_html(sougou_search_html):
doc = pq(sougou_search_html)
return doc('div[class=txt-box]')('p[class=tit]')('a').attr('href')
#使用webdriver 載入公眾號主頁內容,主要是js渲染的部分
def get_selenium_js_html(url):
browser = webdriver.PhantomJS(executable_path=r'D:\Python2.7\Scripts\phantomjs.exe')
browser.get(url)
time.sleep(3)
# 執行js得到整個頁面內容
html = browser.execute_script("return document.documentElement.outerHTML")
browser.close()
return html
#獲取公眾號文章內容
def parse_wx_articles_by_html(selenium_html):
doc = pq(selenium_html)
return doc('div[class="weui_media_box appmsg"]')
#將獲取到的文章轉換為字典
def switch_arctiles_to_list(articles):
#定義存貯變數
articles_list = []
i = 1
#遍歷找到的文章,解析裡面的內容
if articles:
for article in articles.items():
log(u'開始整合(%d/%d)' % (i, len(articles)))
#處理單個文章
articles_list.append(parse_one_article(article))
i += 1
return articles_list
#解析單篇文章
def parse_one_article( article):
article_dict = {}
#獲取標題
title = article('h4[class="weui_media_title"]').text().strip()
###log(u'標題是: %s' % title)
#獲取標題對應的地址
url = 'http://mp.weixin.qq.com' + article('h4[class="weui_media_title"]').attr('hrefs')
log(u'地址為: %s' % url)
#獲取概要內容
summary = article('.weui_media_desc').text()
log(u'文章簡述: %s' % summary)
#獲取文章發表時間
date = article('.weui_media_extra_info').text().strip()
log(u'發表時間為: %s' % date)
#獲取封面圖片
pic = parse_cover_pic(article)
#返回字典資料
return {
'title': title,
'url': url,
'summary': summary,
'date': date,
'pic': pic
}
#查詢封面圖片,獲取封面圖片地址
def parse_cover_pic( article):
pic = article('.weui_media_hd').attr('style')
p = re.compile(r'background-image:url(.*?)')
rs = p.findall(pic)
log( u'封面圖片是:%s ' % rs[0] if len(rs) > 0 else '')
return rs[0] if len(rs) > 0 else ''
#自定義log函式,主要是加上時間
def log(msg):
print u'%s: %s' % (time.strftime('%Y-%m-%d_%H-%M-%S'), msg)
#驗證函式
def need_verify(selenium_html):
' 有時候對方會封鎖ip,這裡做一下判斷,檢測html中是否包含id=verify_change的標籤,有的話,代表被重定向了,提醒過一陣子重試 '
return pq(selenium_html)('#verify_change').text() != ''
#建立公眾號命名的資料夾
def create_dir(keywords):
if not os.path.exists(keywords):
os.makedirs(keywords)
#爬蟲主函式
def run(keywords):
' 爬蟲入口函式 '
#Step 0 : 建立公眾號命名的資料夾
create_dir(keywords)
# 搜狐微信搜尋連結入口
sogou_search_url = 'http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&s_from=input&_sug_=n&_sug_type_=' % quote(keywords)
# Step 1:GET請求到搜狗微信引擎,以微信公眾號英文名稱作為查詢關鍵字
log(u'開始獲取,微信公眾號英文名為:%s' % keywords)
log(u'開始呼叫sougou搜尋引擎')
sougou_search_html = get_search_result_by_keywords(sogou_search_url)
# Step 2:從搜尋結果頁中解析出公眾號主頁連結
log(u'獲取sougou_search_html成功,開始抓取公眾號對應的主頁wx_url')
wx_url = get_wx_url_by_sougou_search_html(sougou_search_html)
log(u'獲取wx_url成功,%s' % wx_url)
# Step 3:Selenium+PhantomJs獲取js非同步載入渲染後的html
log(u'開始呼叫selenium渲染html')
selenium_html = get_selenium_js_html(wx_url)
# Step 4: 檢測目標網站是否進行了封鎖
if need_verify(selenium_html):
log(u'爬蟲被目標網站封鎖,請稍後再試')
else:
# Step 5: 使用PyQuery,從Step 3獲取的html中解析出公眾號文章列表的資料
log(u'呼叫selenium渲染html完成,開始解析公眾號文章')
articles = parse_wx_articles_by_html(selenium_html)
log(u'抓取到微信文章%d篇' % len(articles))
# Step 6: 把微信文章資料封裝成字典的list
log(u'開始整合微信文章資料為字典')
articles_list = switch_arctiles_to_list(articles)
return [content['title'] for content in articles_list]
weixin_wordcloud.py
# coding: utf8
from wordcloud import WordCloud
import weixin_spider
import matplotlib.pyplot as plt
import time
if __name__ == '__main__':
print u'''''
****************************************************************
** Welcome to Spider of weixin gongzhonghao for wordcloud **
** Created on 2017-05-03 **
** @author: Jimy _Fengqi **
****************************************************************
'''
gongzhonghao=raw_input(u'input weixin gongzhonghao:')
if not gongzhonghao:
gongzhonghao='python'
text = " ".join(weixin_spider.run(gongzhonghao))
print text
wordcloud = WordCloud(random_state=1, font_path = r'C:/Users/Windows/fonts/simkai.ttf').generate(text)#處理獲取到的title,準備繪製詞雲
print 'start drawing.....'
plt.figure()
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis('off')
plt.show()
結果
執行結果以及效果圖如下:
****************************************************************
** Welcome to Spider of weixin gongzhonghao for wordcloud **
** Created on 2017-05-03 **
** @author: Jimy _Fengqi **
****************************************************************
input weixin gongzhonghao:
2017-05-03_17-12-05: 開始獲取,微信公眾號英文名為:python
2017-05-03_17-12-05: 開始呼叫sougou搜尋引擎
2017-05-03_17-12-05: 搜尋地址為:http://weixin.sogou.com/weixin?type=1&query=python&ie=utf8&s_from=input&_sug_=n&_sug_type_=
2017-05-03_17-12-05: 獲取sougou_search_html成功,開始抓取公眾號對應的主頁wx_url
2017-05-03_17-12-05: 獲取wx_url成功,http://mp.weixin.qq.com/profile?src=3×tamp=1493802721&ver=1&signature=Eu9LOYSA47p6WE0mojhMtFR-gSr7zsQOYo6*w5VxrUjAAes2nWKzZmHcIVVOotmCKZQHqx1-oJty0W7zXgciDA==
2017-05-03_17-12-05: 開始呼叫selenium渲染html
2017-05-03_17-12-14: 呼叫selenium渲染html完成,開始解析公眾號文章
2017-05-03_17-12-14: 抓取到微信文章10篇
2017-05-03_17-12-14: 開始整合微信文章資料為字典
2017-05-03_17-12-14: 開始整合(1/10)
2017-05-03_17-12-14: 地址為: http://mp.weixin.qq.com/s?timestamp=1493802726&src=3&ver=1&signature=0YETqaQn3VeAFFu5BfQjFRkPF4H*-Pdei4mlBgUEtq0k1QLMNDBHGL*vmaJVGGxgDnWtjomkqe8PXYC-M4UT-Ubq8pZXWLNMCUN8t46HfTCghZZelhTNk4OK9r4N84PNA4PStQzUxee5aSRaDAYTBS9Wf2m7FYrKgva2*9PSq4k=
2017-05-03_17-12-14: 文章簡述: 不同於其他免費基礎視訊、不容錯過哦
2017-05-03_17-12-14: 發表時間為: 2017年4月25日
2017-05-03_17-12-14: 封面圖片是:http://mmbiz.qpic.cn/mmbiz_jpg/Kad3LZzM7n6kOLEoklv3z5DlYnHz2lE2pcudibic6pDbMUck8vT4zlzqDUDpBeWNsgGPef8HmQkrG6dPkAZick0jw/0?wx_fmt=jpeg
2017-05-03_17-12-14: 開始整合(2/10)
2017-05-03_17-12-14: 地址為: http://mp.weixin.qq.com/s?timestamp=1493802726&src=3&ver=1&signature=0YETqaQn3VeAFFu5BfQjFRkPF4H*-Pdei4mlBgUEtq0k1QLMNDBHGL*vmaJVGGxgDnWtjomkqe8PXYC-M4UT-du18Q4qJZThq4lkPKLgjuXf-H6L4kHEImvTcJXsIjlm4eWr3pGE4Kr0DKmBSNe27wR*EmgCQuPwXey4tFdI-uM=
2017-05-03_17-12-14: 文章簡述: 恭喜你獲得了免費python學習機會、
2017-05-03_17-12-14: 發表時間為: 2017年4月22日
2017-05-03_17-12-14: 封面圖片是:http://mmbiz.qpic.cn/mmbiz_png/Kad3LZzM7n7J8cEPG7OwwoJpECMfbYribz3LojBq8TUbfibhmEicb6M1AbZbDN5fL490AtUEpv33lnDfOWdhZHw5w/0?wx_fmt=png
2017-05-03_17-12-14: 開始整合(3/10)
2017-05-03_17-12-14: 地址為: http://mp.weixin.qq.com/s?timestamp=1493802726&src=3&ver=1&signature=0YETqaQn3VeAFFu5BfQjFRkPF4H*-Pdei4mlBgUEtq0k1QLMNDBHGL*vmaJVGGxgDnWtjomkqe8PXYC-M4UT-YYYmhz6gmrq4PnNMVHDwJMKYXgaGMZo8QqlHmZ5AyFQwrnSDU3gtYjXP6bvz9m0HjURSqAE*lF-t5R6iQSw8bc=
2017-05-03_17-12-14: 文章簡述: 如今python程式語言在國內越來越火了,學習python的人也開始多了起來,今天我就來分享一下,我瞭解到的從各大知名企業招聘資訊中的python程式設計師職業技能表!
2017-05-03_17-12-14: 發表時間為: 2017年4月11日
2017-05-03_17-12-14: 封面圖片是:http://mmbiz.qpic.cn/mmbiz_png/Kad3LZzM7n5RzVjTFpzmaAupSsibCOvw6pyUTSF8qqgMI98S5soCyNlnnbLSLAfFibJUSyjhyxSC53LibJq48PTUQ/0?wx_fmt=png
2017-05-03_17-12-14: 開始整合(4/10)
2017-05-03_17-12-14: 地址為: http://mp.weixin.qq.com/s?timestamp=1493802726&src=3&ver=1&signature=0YETqaQn3VeAFFu5BfQjFRkPF4H*-Pdei4mlBgUEtq0k1QLMNDBHGL*vmaJVGGxgDnWtjomkqe8PXYC-M4UT-XdE1cnErev9xb0hF1qOmgr5P*HeGyrWpC5OrEQvAKDaxPjExg1V594I*vwhcHoEIraMXA0fDOod*qVu7fsN1VY=
2017-05-03_17-12-14: 文章簡述: 又是新的一週、新的開始
2017-05-03_17-12-14: 發表時間為: 2017年4月10日
2017-05-03_17-12-14: 封面圖片是:http://mmbiz.qpic.cn/mmbiz_png/Kad3LZzM7n5DicWjY05ib7KAZNjZpGMT55FdmYfgL1UJU39UIjB1icnRWSCibrHYPFgAPDkjsx7RgRXlFs7njL8QFw/0?wx_fmt=png
2017-05-03_17-12-14: 開始整合(5/10)
2017-05-03_17-12-14: 地址為: http://mp.weixin.qq.com/s?timestamp=1493802726&src=3&ver=1&signature=0YETqaQn3VeAFFu5BfQjFRkPF4H*-Pdei4mlBgUEtq0k1QLMNDBHGL*vmaJVGGxgDnWtjomkqe8PXYC-M4UT-UAtygSQ*C5lBQy53XisEjEmV-uFUkwzjPLoaaF5vOqLn9Bm3tB84CSsX0MfzK5d57DS625vB-hM*k1zQwgfbJ0=
2017-05-03_17-12-14: 文章簡述: 不定時更新這種精講視訊、記得隨時關注哦
2017-05-03_17-12-14: 發表時間為: 2017年4月8日
2017-05-03_17-12-14: 封面圖片是:http://mmbiz.qpic.cn/mmbiz_jpg/Kad3LZzM7n5HIeqCSKia2L10THBoRkYkKrbicUJjUYicCXjiasUDuJxY9DBJ0tTP3ticf2XbN2Cr5Vfg0CM1Kx1TwiaA/0?wx_fmt=jpeg
2017-05-03_17-12-14: 開始整合(6/10)
2017-05-03_17-12-14: 地址為: http://mp.weixin.qq.com/s?timestamp=1493802726&src=3&ver=1&signature=0YETqaQn3VeAFFu5BfQjFRkPF4H*-Pdei4mlBgUEtq0k1QLMNDBHGL*vmaJVGGxgDnWtjomkqe8PXYC-M4UT-Vf8RaS4Pkph9DIfBuroVRszZ7VccePWMMYLU1Wda8YZrUc5X9DL1F*7QUvkN75ZXxKSl7JKCQihehlrRCQQziY=
2017-05-03_17-12-14: 文章簡述: flask是一款非常流行的Python Web框架,出生於2010年,作者是Armin Ronacher,本來這個專案只是作者在愚人節的一個玩笑,後來由於非常受歡迎,進而成為一個正式的專案。目前為止最新的版本是0.11.1。
2017-05-03_17-12-14: 發表時間為: 2017年4月6日
2017-05-03_17-12-14: 封面圖片是:http://mmbiz.qpic.cn/mmbiz_jpg/Kad3LZzM7n6kOLEoklv3z5DlYnHz2lE2j1EVD3OcqtW9BDJEK8libEyY7QdDCLkJgQaFwXP0FJmZCug3KKjeVAg/0?wx_fmt=jpeg
2017-05-03_17-12-14: 開始整合(7/10)
2017-05-03_17-12-14: 地址為: http://mp.weixin.qq.com/s?timestamp=1493802726&src=3&ver=1&signature=0YETqaQn3VeAFFu5BfQjFRkPF4H*-Pdei4mlBgUEtq0k1QLMNDBHGL*vmaJVGGxgDnWtjomkqe8PXYC-M4UT-dYVYcn0tSGPeTL8AlJGawykBwNMks28FXsqxsxui0a4n4-5TXQPsrpuc*69GH1WOfzeHw*3WnK48uuqwMmY8NU=
2017-05-03_17-12-14: 文章簡述: 值得一看哦
2017-05-03_17-12-14: 發表時間為: 2017年4月5日
2017-05-03_17-12-14: 封面圖片是:http://mmbiz.qpic.cn/mmbiz_png/Kad3LZzM7n6JXibnmFZEMsTo4rIY37l58ibQicyiaiaTwRo1ia05hpjicbb5OlL8na5JTsUGwwyY6Pg6MXFD6nrYnaGDg/0?wx_fmt=png
2017-05-03_17-12-14: 開始整合(8/10)
2017-05-03_17-12-14: 地址為: http://mp.weixin.qq.com/s?timestamp=1493802726&src=3&ver=1&signature=0YETqaQn3VeAFFu5BfQjFRkPF4H*-Pdei4mlBgUEtq0k1QLMNDBHGL*vmaJVGGxgDnWtjomkqe8PXYC-M4UT-ajcYor67dV-edCLAmz7ysAPsW1rnB-*0nqeyWNMdfoaMh5987ezN6IoTrGsjuyAzHd*VatTOzBzpkl-kevjDP4=
2017-05-03_17-12-14: 文章簡述: ctypes(二)— 基本函式呼叫
上一次提到了,ctypes的相容層,這次我們直接講利用相容層呼叫函式的相關規則。
2017-05-03_17-12-14: 發表時間為: 2017年4月2日
2017-05-03_17-12-14: 封面圖片是:http://mmbiz.qpic.cn/mmbiz_jpg/Kad3LZzM7n6kOLEoklv3z5DlYnHz2lE23reFCJVbkRvwcadcnvA84WYIqOmLtU1e679xzfUXFE8hvWa2tBqugA/0?wx_fmt=jpeg
2017-05-03_17-12-14: 開始整合(9/10)
2017-05-03_17-12-14: 地址為: http://mp.weixin.qq.com/s?timestamp=1493802726&src=3&ver=1&signature=0YETqaQn3VeAFFu5BfQjFRkPF4H*-Pdei4mlBgUEtq0k1QLMNDBHGL*vmaJVGGxgDnWtjomkqe8PXYC-M4UT-Qie-wwJs-toXtk7yDFPxfApK1UXSBITe-3QQuzYbo10M7BUKIPMtQf99U*UyTD-woQcjC8WnxoaqiaF2IeoKBc=
2017-05-03_17-12-14: 文章簡述: ctypes(一) — 初識
很多初學Python的新手,總是嘴邊掛著一句話:“Python是一門膠水語言”。
2017-05-03_17-12-14: 發表時間為: 2017年4月1日
2017-05-03_17-12-14: 封面圖片是:http://mmbiz.qpic.cn/mmbiz_jpg/Kad3LZzM7n6kOLEoklv3z5DlYnHz2lE2V9CasXUA3JNnd6ZncuC6ptGvfalj6ibWr17YmAD0fTEVTD1SjEicekibg/0?wx_fmt=jpeg
2017-05-03_17-12-14: 開始整合(10/10)
2017-05-03_17-12-14: 地址為: http://mp.weixin.qq.com/s?timestamp=1493802726&src=3&ver=1&signature=0YETqaQn3VeAFFu5BfQjFRkPF4H*-Pdei4mlBgUEtq0k1QLMNDBHGL*vmaJVGGxgDnWtjomkqe8PXYC-M4UT-fUfVJStvaToDhm9rGSUVbZGpsdiyxOoBRZZng907ag6hLzmPy-6TfgYnB9xy5g3W1IUzt0GyVE27Rs3QqaFDZs=
2017-05-03_17-12-14: 文章簡述: 什麼是聯結器?
聯結器是程式語言(我們特指Python)連線資料庫的一箇中間層,通常以第三方包的形式釋出。因此,如果我們要使用Python來操作資料庫,那我們必須安裝相應的聯結器。
2017-05-03_17-12-14: 發表時間為: 2017年3月30日
2017-05-03_17-12-14: 封面圖片是:http://mmbiz.qpic.cn/mmbiz_jpg/Kad3LZzM7n6kOLEoklv3z5DlYnHz2lE2pcudibic6pDbMUck8vT4zlzqDUDpBeWNsgGPef8HmQkrG6dPkAZick0jw/0?wx_fmt=jpeg
python基礎教程:VIP精講旅程 python專案實戰教程:Flask框架開發搜尋引擎 Python程式設計師技能表—446家知名企業的Py招聘資訊 Python專案實戰教程:Web與爬蟲開發-(全自動更新資料)下 python框架教程:scrapy框架之xpath語法 框架-flaskの開發 Python專案實戰教程:Web與爬蟲開發(全自動更新資料) 系列:Python擴充套件模組(2) 愚人節快樂!今天你被愚了嗎?系列:Python擴充套件模組(1) 這是Python聯結器嗎?不曉得
start drawing.....
總結
使用wordcloud 需要安裝很多東西
目前所知
wordcloud
numpy
scipy