您现在的位置是:首页 > 文章详情

微信公众号文章采集工具,可采集文章文字内容信息及图片

日期:2021-05-13点击:600

微信公众号文章采集工具,可采集文章文字内容信息及图片

只能单篇采集,想要批量的不用看了!
可作为微信公众号文章图片采集助手使用!

需知:
1.exe程序运行环境为win7 64位操作系统!
2.部分文章图片采集存在BUG,望见谅!
3.工具为python编写,技术渣,只能到这里了!
在这里插入图片描述

微信公众号文章采集工具说明:
1.打开weixincj.exe文件
2.输入需要采集的微信公众号文章链接地址
3.回车等待程序运行
4.采集完毕5s后程序自动退出

在这里插入图片描述

采集过程中会自动生成目录 weixin
采集完毕,采集内容存放于weixin目录下的微信公众号文章标题目录
内容为图片及txt文档

在这里插入图片描述

下载地址
百度云:
链接: https://pan.baidu.com/s/1pCqptL6QwnP2eUeyAABnYA 提取码: sxca

需知:
exe程序运行环境为win7 64位操作系统!

提示:
不一定保证格式内容及图片完整性!

附上主要python源码:

#微信文章页采集 # -*- coding: UTF-8 -*- import requests import re,time,os from bs4 import BeautifulSoup from baocun import bctp,bcwb from fake_useragent import UserAgent def ua(): ua = UserAgent() headers = {"User-Agent": ua.random} return headers def get_content(url): headers=ua() respnese=requests.get(url,headers=headers).text soup=BeautifulSoup(respnese,'lxml') #获取标题 h2=soup.find('h2',class_="rich_media_title").get_text() h2=h2.replace('\n','') h2 = h2.replace(' ', '') h2 = re.sub(r'[\|\/\<\>\:\*\?\\\"]', "_", h2) # 剔除不合法字符 print(f'微信公众号文章标题:{h2}') os.makedirs(f'weixin/{h2}/',exist_ok=True) lj =f'weixin/{h2}/' ljj=f'weixin/{h2}/{h2}.txt' author=soup.find('div',class_="rich_media_meta_list").find('a',id="js_name").get_text() author = author.replace('\n', '') author = author.replace(' ', '') author=f'来源:{author}' print(author) i=1 text='' ps=soup.find('div',class_="rich_media_content").find_all('p') for p in ps: if "img" in str(p): try: img_url=p.find('img')['data-src'] print(img_url) if "jpeg" == img_url[-4:]: img_name=f'{i}.{img_url[-4:]}' else: img_name = f'{i}.{img_url[-3:]}' bctp(lj, img_url, img_name) p_content=img_name i=i+1 except Exception as e: print(f"获取图片数据失败,错误代码:{e}") pass else: p_content=p.get_text() text = '%s%s%s' % (text, '\n',p_content) texts='%s%s%s%s%s'%(h2,'\n',author,'\n',text) print(texts) bcwb(ljj, texts) if __name__ == '__main__': url=input("请输入要采集的微信公众号文章链接:") print(f'爬虫启动中,请稍后......') get_content(url) print(f'采集完毕,程序5s后自动关闭!') time.sleep(5) 

附改进 完整内容抓取,无格式

#微信公众号文章 完整版内容抓取 def cs(url): headers = ua() respnese = requests.get(url, headers=headers).text soup = BeautifulSoup(respnese, 'lxml') get_article(soup) def get_article(soup): # 获取标题 h2 = soup.find('h2', class_="rich_media_title").get_text() h2 = h2.replace('\n', '') h2 = h2.replace(' ', '') h2 = re.sub(r'[\|\/\<\>\:\*\?\\\"]', "_", h2) # 剔除不合法字符 print(f'微信公众号文章标题:{h2}') os.makedirs(f'weixin/{h2}/', exist_ok=True) lj = f'weixin/{h2}/' ljj = f'weixin/{h2}/{h2}.txt' author = soup.find('div', class_="rich_media_meta_list").find('a', id="js_name").get_text() author = author.replace('\n', '') author = author.replace(' ', '') author = f'来源:{author}' print(author) # 获取文字内容 texts = soup.find('div', class_="rich_media_content").get_text() texts = '\n'.join(texts.split('。')) # 以句号 分割文本 print(texts) texts = '%s%s%s%s%s' % (h2, '\n', author, '\n', texts) print(texts) bcwb(ljj, texts) # 获取所有图片 i = 1 imgs = soup.find('div', class_="rich_media_content").find_all('img') for img in imgs: img_url = img['data-src'] print(img_url) if "jpeg" == img_url[-4:]: img_name = f'{i}.{img_url[-4:]}' else: img_name = f'{i}.{img_url[-3:]}' bctp(lj, img_url, img_name) i = i + 1 

源码应用到的保存模块

#存储内容 import requests import time from fake_useragent import UserAgent def ua(): ua = UserAgent() headers = {"User-Agent": ua.random} return headers #下载图片 def bctp(lj,img_url,img_name): print("开始下载图片!") try: r = requests.get(img_url,headers=ua(),timeout=5) with open(f'{lj}/{img_name}', 'wb') as f: f.write(r.content) print(f'下载{img_name}图片成功!') time.sleep(1) except Exception as e: if "port=443): Read timed out" in str(e): time.sleep(2) try: r = requests.get(img_url, headers=ua(),timeout=5) with open(f'{lj}/{img_name}', 'wb') as f: f.write(r.content) print(f'下载{img_name}图片成功!') except Exception as e: print(f'下载{img_name}图片失败!') print(f'错误代码:{e}') with open(f'{lj}/spider.txt', 'a+', encoding='utf-8') as f: f.write(f'错误代码:{e}---下载 {img_url} 图片失败\n') else: print(f'下载{img_name}图片失败!') print(f'错误代码:{e}') with open(f'{lj}/spider.txt', 'a+', encoding='utf-8') as f: f.write(f'错误代码:{e}---下载 {img_url} 图片失败\n') #保存文本内容 def bcwb(ljj,texts): print("开始保存文本") with open(ljj, 'w', encoding='utf-8') as f: f.write(texts) print(f'保存文本内容成功!') 
原文链接:https://blog.51cto.com/u_15200177/2773491
关注公众号

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。

持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。

文章评论

共有0条评论来说两句吧...

文章二维码

扫描即可查看该文章

点击排行

推荐阅读

最新文章