微信小程序|微信开发
Python爬取,微信公众号文章
微信小程序-微信开发
仿新闻网站源码,怎样配置vscode,ubuntu ssl证书,tomcat 多个app,sqlite行id,防攻击云服务器,wordpress常用的插件,前端框架文档html,四周实现爬虫网站,php入门学习,哪里有学习seo的,单页网站模板安装,网页字与字间隔代码,vb 数据模板,专题页面模板,扁平风格后台管理系统,vb图形应用程序lzw
【相关学习推荐:微信公众号开发教学】
linux socks5 源码,获取ubuntu权限命令,爬虫类英文,奶粉 php,域名注册seolzw
前言
第一次写博客,主要内容是爬取微信公众号的文章,将文章以PDF格式保存在本地。
网页美女主播源码,vscode缓存位置,ubuntu16自带录屏软件,tomcat线程 满了,sqlite 动态交叉表,ecshop运费模板插件,关于前端框架的ppt模板,宜宾有爬虫店吗,php 问答,罗平优化seo,dedecms网站迁移,网页中文字选中拖动,室内装修模板lzw
爬取微信公众号文章(使用wechatsogou)
1.安装
pip install wechatsogou --upgrade
wechatsogou是一个基于搜狗微信搜索的微信公众号爬虫接口
2.使用方法
使用方法如下所示
import wechatsogou# captcha_break_time为验证码输入错误的重试次数,默认为1ws_api = wechatsogou.WechatSogouAPI(captcha_break_time=3)# 公众号名称gzh_name = \# 将该公众号最近10篇文章信息以字典形式返回data = ws_api.get_gzh_article_by_history(gzh_name)
data数据结构:
{ gzh: { wechat_name: \, # 名称 wechat_id: \, # 微信id introduction: \, # 简介 authentication: \, # 认证 headimage: \ # 头像 }, article: [ { send_id: int, # 群发id,注意不唯一,因为同一次群发多个消息,而群发id一致 datetime: int, # 群发datatime 10位时间戳 ype: \, # 消息类型,均是49(在手机端历史消息页有其他类型,网页端最近10条消息页只有49),表示图文 main: int, # 是否是一次群发的第一次消息 1 or 0 itle: \, # 文章标题 abstract: \, # 摘要 fileid: int, # content_url: \, # 文章链接 source_url: \, # 阅读原文的链接 cover: \, # 封面图 author: \, # 作者 copyright_stat: int, # 文章类型,例如:原创啊 }, ... ]}
这里需要得到两个信息:文章标题,文章url。
得到文章url以后,就可以根据url将html页面转换成pdf文件了。
生成PDF文件
1.安装wkhtmltopdf
下载地址:/downloads.html
2.安装pdfkit
pip install pdfkit
3.使用方法
import pdfkit# 根据url生成pdfpdfkit.from_url(\,out.pdf)# 根据html文件生成pdfpdfkit.from_file( est.html,out.pdf)# 根据html代码生成pdfpdfkit.from_string(Hello!,out.pdf)
如果直接用上面得到的文章url去生成pdf,会出现pdf文件不显示文章图片的问题。
解决办法:
# 该方法根据文章url对html进行处理,使图片显示content_info = ws_api.get_article_content(url)# 得到html代码(代码不完整,需要加入head、body等标签)html_code = content_info[content_html]
然后根据html_code构造完整的html代码,调用pdfkit.from_string()
方法生成pdf文件,这时候会发现文章中的图片在pdf文件中显示出来了。
完整代码
import osimport pdfkitimport datetimeimport wechatsogou# 初始化APIws_api = wechatsogou.WechatSogouAPI(captcha_break_time=3)def url2pdf(url, title, targetPath): \ 使用pdfkit生成pdf文件 :param url: 文章url :param title: 文章标题 :param targetPath: 存储pdf文件的路径 \ try: content_info = ws_api.get_article_content(url) except: return False # 处理后的html html = f\