參照資料：selenium webdriver添加cookie: https://www.jb51.net/article/193102.html

需求：

想閱讀微信公眾號歷史文章，但是每次找回看得地方不方便。

思路：

1、使用selenium打開微信公眾號歷史文章，并滾動刷新到最底部，獲取到所有歷史文章urls。

2、對urls進行遍歷訪問，并進行下載到本地。

實現(xiàn)

1、打開微信客戶端，點擊某個微信公眾號->進入公眾號->打開歷史文章鏈接（使用瀏覽器打開），并通過開發(fā)者工具獲取到cookies，保存為excel。

2、啟動webdriver，并添加相應(yīng)cookies。

browser = webdriver.Chrome()wait = WebDriverWait(browser,10)# 隨便訪問一個地址，然后才能設(shè)置cookiesbrowser.get(’https://httpbin.org/get’)# 添加cookies,df為保存的excel cookiesfor i in range(len(df)): cookie_dict = { 'domain': df.loc[i,’DomaiN’], ’name’: df.loc[i,’Name’], ’value’: str(df.loc[i,’Value’]), 'expires': df.loc[i,'Expires/Max-Age'], ’path’: ’/’,} browser.add_cookie(cookie_dict)browser.get(weixin_url)

3、控制瀏覽器下移動

觀察page_source，可以發(fā)現(xiàn)，文章到最底部的判斷是。

<div id='js_nomore'> <div class='tips_wrp'> <span style='display: none;'>已無更多</span> <span style='display: none;'>關(guān)注公眾帳號，接收更多消息</span> </div> </div>

使用driver控制JS。

%%time# 通過判斷已無更多的style,來判斷是否到最底部，最終執(zhí)行到最底部no_more_msg_style = ’display: none;’while True: wait.until(EC.presence_of_element_located((By.XPATH,’//span[@ and text()='已無更多']’))) no_more= browser.find_element_by_xpath(’//span[@ and text()='已無更多']’) now_style = no_more.get_attribute(’style’) if str(now_style).find(no_more_msg_style) == -1: # 說明已經(jīng)加載完了 break else: # 停頓一會，等待瀏覽器加載 time.sleep(5) # 通過JS，執(zhí)行到最底部 browser.execute_script(’window.scrollTo(0,document.body.scrollHeight)’)

4、關(guān)鍵信息獲取。

根據(jù)html,分析得出文章url處在<div msgid='1000000026'>中。

<div msgid='1000000026'> <div class='weui_msg_card_hd'>2017年1月13日</div> <div class='weui_msg_card_bd'> <!-- 圖文 --> <!-- 普通圖文 --> <div hrefs='http://mp.weixin.qq.com/s?__biz=MzI5MDQ4NzU5MA==&mid=2247483748&idx=1&sn=e804e638484794181a27c094f81be8e1&chksm=ec1e6d2ddb69e43bd3e1f554c2d0cedb37f099252f122cee1ac5052b589b56f428b2c304de8e&scene=38#wechat_redirect' data-t='0'> <span data-s='640' hrefs='http://mp.weixin.qq.com/s?__biz=MzI5MDQ4NzU5MA==&mid=2247483748&idx=1&sn=e804e638484794181a27c094f81be8e1&chksm=ec1e6d2ddb69e43bd3e1f554c2d0cedb37f099252f122cee1ac5052b589b56f428b2c304de8e&scene=38#wechat_redirect' data-type='APPMSG'> </span> <div data-type='APPMSG'><h4 hrefs='http://mp.weixin.qq.com/s?__biz=MzI5MDQ4NzU5MA==&mid=2247483748&idx=1&sn=e804e638484794181a27c094f81be8e1&chksm=ec1e6d2ddb69e43bd3e1f554c2d0cedb37f099252f122cee1ac5052b589b56f428b2c304de8e&scene=38#wechat_redirect'> 承認(rèn)自己是難民有什么錯</h4><p class='weui_media_desc'>枷鎖已經(jīng)足夠沉重，謝絕道德綁架</p><p class='weui_media_extra_info'>2017年1月13日</p> </div> </div> </div> </div>

文章類型主要分為，

<div data-type='APPMSG'><div data-type='TEXT'>

有無原創(chuàng)進行劃分。

最終實現(xiàn)：

%%timeresult = []errlist = []# 先得到其中一個el_divs = browser.find_elements_by_xpath(’//div[@class='weui_msg_card_list']/div[@class='weui_msg_card js_card']’)i = 0for div in el_divs: date = title = url = yuanchuang = ’’ try: date = div.find_element_by_xpath(’.//div[@class='weui_msg_card_hd']’).get_attribute(’innerHTML’) el_content = div.find_element_by_xpath(’.//div[@class='weui_media_bd js_media']’) if el_content.get_attribute(’data-type’) == ’APPMSG’: el = el_content.find_element_by_xpath(’./h4[@class='weui_media_title']’) title = el.text url = el.get_attribute(’hrefs’) xb = el_content.find_element_by_xpath(’./p[@class='weui_media_extra_info']’).text yuanchuang = ’原創(chuàng)’ if xb.find(’原創(chuàng)’) != -1 else ’’ elif el_content.get_attribute(’data-type’) == ’TEXT’: title = ’隨文’ url = el_content.find_element_by_xpath(’./div’).text yuanchuang = ’原創(chuàng)’ else: # 其他未能識別的類型 errlist.append([i,div.get_attribute(’innerHTML’)]) except NoSuchElementException: errlist.append([i,div.get_attribute(’innerHTML’)]) print(str(i),’:’,date,title,url,yuanchuang) result.append([date,title,yuanchuang,url]) i = i + 1

5、將得到url保存到excel

dfout = pd.DataFrame(result, columns=[’日期’, ’標(biāo)題’, ’原創(chuàng)’, ’地址’]) with pd.ExcelWriter(savename) as writer:dfout.to_excel(writer,index=False,sheet_name = ’Sheet1’)

最終保存形式

6、在遍歷最后的鏈接地址，逐個requets保存，即可得到。組建成菜單形式的文章，可參考

記一次 excel vba 參考手冊爬蟲實戰(zhàn)，不必要的一次爬蟲。：htthttps://www.jb51.net/article/193107.htm

遇到的坑：

1、find_element_by_xpath 需要配上 NoSuchElementException 使用，否則遇到未找到的節(jié)點就會出錯，最初find_elements_by_xpath 來防止找不到相關(guān)節(jié)點，結(jié)果發(fā)現(xiàn)，執(zhí)行速度異常的慢，需要查找原因。

2、cookies使用的時候是人為獲取，如果太長時間不用，需要重新獲取。可以考慮結(jié)合pyautogui來控制weixin客戶端來進行獲取。？

3、構(gòu)建的時候，最后分布試行，最初的文章類型沒有做好判斷，結(jié)果執(zhí)行時間很久。做好異常捕獲，再逐步分析錯誤的節(jié)點問題。

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持好吧啦網(wǎng)。