神剑山庄资源网 Design By www.hcban.com
本文实例讲述了Python 实现的微信爬虫。分享给大家供大家参考,具体如下:
单线程版:
import urllib.request import urllib.parse import urllib.error import re,time headers = ("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3107.4 Safari/537.36") operner = urllib.request.build_opener() operner.addheaders = [headers] urllib.request.install_opener(operner) list_url = [] ###使用代理获取网页url内容 def use_proxy(url): try: # proxy = urllib.request.ProxyHandler({'http':proxy_addr}) ##使用代理版 # operner = urllib.request.build_opener() # urllib.request.install_opener(operner) headers = ("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3107.4 Safari/537.36") operner = urllib.request.build_opener() operner.addheaders = [headers] urllib.request.install_opener(operner) data = urllib.request.urlopen(url).read().decode('utf-8') # print (data) return data except urllib.error.URLError as e: if hasattr(e, "code"): print(e.code) elif hasattr(e, "reason"): print(e.reason) except Exception as e: print("exception" + str(e)) time.sleep(1) ##获取要爬取的url def get_url(key, pagestart, pageend): try: keycode = urllib.parse.quote(key) for page in range(pagestart, pageend + 1): url = "http://weixin.sogou.com/weixin" % ( keycode, page) data1 = use_proxy(url) #print("data1的内容是", data1) listurl_pattern = '<h3>.*"http://.*"amp;", "").split(" ")[0].replace("\"", "") list_url.append(res) #print(list_url) return list_url except urllib.error.URLError as e: if hasattr(e, "code"): print(e.code) elif hasattr(e, "reason"): print(e.reason) except Exception as e: print("exception:", e) ##通过获取的url爬行内容数据并处理 def get_url_content(list_url): fh1=open("D:\\python-script\\1.html", 'wb') html1 = '''<!DOCTYPE html>\n<html xmlns="http://www.w3.org/1999/xhmtl">\n<head>\n<meta http-equiv="Content-Type" content="text/html; charset=utf-8">\n<title>微信文章</title></head>\n<body>''' fh1.write(html1.encode("utf-8")) fh1.close() fh = open("D:\\python-script\\1.html", 'ab') for url in list_url: data_content = use_proxy(url) #print (data_content) #sys.exit() title_pattern = '<h2.*>.*"<h2 class=\"rich_media_title\" id=\"activity-name\">", "").replace("</h2>", "").strip() content_pattern = 'id="js_content">(.*"rich_media_tool" id="js_sg_bar">' content = re.compile(content_pattern, re.S).findall(data_content) try: fh.write(res_title.encode("utf-8")) for i in content: fh.write(i.strip().encode("utf-8")) except UnicodeEncodeError as e: continue fh.write("</body></html>".encode("utf-8")) if __name__ == '__main__': pagestart = 1 pageend = 2 key = "人工智能" get_url(key, pagestart, pageend) get_url_content(list_url)
多线程版:
import urllib.request import urllib.parse import urllib.error import re,time import queue import threading headers = ("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3107.4 Safari/537.36") operner = urllib.request.build_opener() operner.addheaders = [headers] urllib.request.install_opener(operner) urlque = queue.Queue() list_url = [] ###使用代理获取网页url内容 def use_proxy(url): try: # proxy = urllib.request.ProxyHandler({'http':proxy_addr}) # operner = urllib.request.build_opener() # urllib.request.install_opener(operner) headers = ("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3107.4 Safari/537.36") operner = urllib.request.build_opener() operner.addheaders = [headers] urllib.request.install_opener(operner) data = urllib.request.urlopen(url).read().decode('utf-8') #print (data) return data except urllib.error.URLError as e: if hasattr(e,"code"): print (e.code) elif hasattr(e,"reason"): print (e.reason) except Exception as e: print ("exception"+str(e)) time.sleep(1) ###获取文章的url连接,并将连接加入到队列 class get_url(threading.Thread): def __init__(self,key,pagestart,pageend,urlque): threading.Thread.__init__(self) self.pagestart = pagestart self.pageend = pageend self.key = key self.urlque = urlque def run(self): try: keycode = urllib.parse.quote(self.key) for page in range(self.pagestart,self.pageend+1): url = "http://weixin.sogou.com/weixin" % (keycode,page) data = use_proxy(url) print ("data1的内容是",data) listurl_pattern = '<h3>.*"http://.*"没有可用的url") sys.exit() for i in range(len(result)): res = result[i].replace("amp;","").split(" ")[0].replace("\"" ,"") #list_url.append(res) #加入列表 self.urlque.put(res) ##加入队列 self.urlque.task_done() #return list_url except urllib.error.URLError as e: if hasattr(e, "code"): print(e.code) elif hasattr(e, "reason"): print(e.reason) except Exception as e: print ("exception:",e) ##根据url获取文章内容 class get_url_content(threading.Thread): def __init__(self,urlque): threading.Thread.__init__(self) self.urlque = urlque def run(self): fh1 = open("D:\\python-script\\1.html", 'wb') html1 = '''<!DOCTYPE html>\n<html xmlns="http://www.w3.org/1999/xhmtl">\n<head>\n<meta http-equiv="Content-Type" content="text/html; charset=utf-8">\n<title>微信文章</title></head>\n<body>''' fh1.write(html1.encode("utf-8")) fh1.close() fh = open("D:\\python-script\\1.html", 'ab') while True: try: url = self.urlque.get() data_content = use_proxy(url) title_pattern = '<h2.*>.*"<h2 class=\"rich_media_title\" id=\"activity-name\">", "").replace("</h2>","").strip() content_pattern = 'id="js_content">(.*"rich_media_tool" id="js_sg_bar">' content = re.compile(content_pattern, re.S).findall(data_content) #c = '<p style="max-width: 100%;box-sizing: border-box;min-height: 1em;text-indent: 2em;word-wrap: break-word !important;">' # for i in content: # ##内容 # c_content=i.replace(c, "").replace("<br /></p>", "").replace("</p>", "") fh.write(res_title.encode("utf-8")) for i in content: fh.write(i.strip().encode("utf-8")) except UnicodeEncodeError as e: continue fh.close() class contrl(threading.Thread): def __init__(self,urlqueue): threading.Thread.__init__(self) self.urlqueue = urlqueue while True: print ("程序正在执行") if self.urlqueue.empty(): time.sleep(3) print ("程序执行完毕") exit() if __name__ == '__main__': pagestart = 1 pageend = 2 key = "人工智能" get_url = get_url(key,pagestart,pageend,urlque) get_url.start() get_content = get_url_content(urlque) get_content.start() cntrol = contrl(urlque) cntrol.start()
更多关于Python相关内容可查看本站专题:《Python Socket编程技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》
希望本文所述对大家Python程序设计有所帮助。
标签:
Python,微信爬虫
神剑山庄资源网 Design By www.hcban.com
神剑山庄资源网
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件!
如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
神剑山庄资源网 Design By www.hcban.com
暂无Python 微信爬虫完整实例【单线程与多线程】的评论...
《魔兽世界》大逃杀!60人新游玩模式《强袭风暴》3月21日上线
暴雪近日发布了《魔兽世界》10.2.6 更新内容,新游玩模式《强袭风暴》即将于3月21 日在亚服上线,届时玩家将前往阿拉希高地展开一场 60 人大逃杀对战。
艾泽拉斯的冒险者已经征服了艾泽拉斯的大地及遥远的彼岸。他们在对抗世界上最致命的敌人时展现出过人的手腕,并且成功阻止终结宇宙等级的威胁。当他们在为即将于《魔兽世界》资料片《地心之战》中来袭的萨拉塔斯势力做战斗准备时,他们还需要在熟悉的阿拉希高地面对一个全新的敌人──那就是彼此。在《巨龙崛起》10.2.6 更新的《强袭风暴》中,玩家将会进入一个全新的海盗主题大逃杀式限时活动,其中包含极高的风险和史诗级的奖励。
《强袭风暴》不是普通的战场,作为一个独立于主游戏之外的活动,玩家可以用大逃杀的风格来体验《魔兽世界》,不分职业、不分装备(除了你在赛局中捡到的),光是技巧和战略的强弱之分就能决定出谁才是能坚持到最后的赢家。本次活动将会开放单人和双人模式,玩家在加入海盗主题的预赛大厅区域前,可以从强袭风暴角色画面新增好友。游玩游戏将可以累计名望轨迹,《巨龙崛起》和《魔兽世界:巫妖王之怒 经典版》的玩家都可以获得奖励。
更新日志
2024年12月29日
2024年12月29日
- 小骆驼-《草原狼2(蓝光CD)》[原抓WAV+CUE]
- 群星《欢迎来到我身边 电影原声专辑》[320K/MP3][105.02MB]
- 群星《欢迎来到我身边 电影原声专辑》[FLAC/分轨][480.9MB]
- 雷婷《梦里蓝天HQⅡ》 2023头版限量编号低速原抓[WAV+CUE][463M]
- 群星《2024好听新歌42》AI调整音效【WAV分轨】
- 王思雨-《思念陪着鸿雁飞》WAV
- 王思雨《喜马拉雅HQ》头版限量编号[WAV+CUE]
- 李健《无时无刻》[WAV+CUE][590M]
- 陈奕迅《酝酿》[WAV分轨][502M]
- 卓依婷《化蝶》2CD[WAV+CUE][1.1G]
- 群星《吉他王(黑胶CD)》[WAV+CUE]
- 齐秦《穿乐(穿越)》[WAV+CUE]
- 发烧珍品《数位CD音响测试-动向效果(九)》【WAV+CUE】
- 邝美云《邝美云精装歌集》[DSF][1.6G]
- 吕方《爱一回伤一回》[WAV+CUE][454M]