項(xiàng)目地址
https://github.com/fancyerii/wechat-gongzhonghao-crawler
pywinauto簡(jiǎn)介
pywinauto是一個(gè)python的工具，可以用于控制Windows的GUI程序。詳細(xì)的文檔可以參考這里。
WechatAutomator類
自動(dòng)化微信的代碼封裝在了類WechatAutomator里，完整的代碼可以參考這里。這里簡(jiǎn)要的介紹一下其中的主要方法：
init_window
這個(gè)方法完成類的初始化，它的代碼為：
def init_window(self, exe_path=r"C:Program Files (x86)TencentWeChatWeChat.exe",
turn_page_interval=3,
click_url_interval=1,
win_width=1000,
win_height=600):
app = Application(backend="uia").connect(path=exe_path)
self.main_win = app.window(title=u"微信", class_name="WeChatMainWndForPC")
self.main_win.set_focus()
self.app = app
self.visible_top = 70
self.turn_page_interval = turn_page_interval
self.click_url_interval = click_url_interval
self.browser = None
self.win_width = win_width
self.win_height = win_height
# 為了讓移動(dòng)窗口，同時(shí)使用非uia的backend，這是pywinauto的uia的一個(gè)bug
self.app2 = Application().connect(path=exe_path)
self.move_window()我們首先來看函數(shù)的參數(shù)：
- exe_path
- 微信程序的地址
- turn_page_interval
- 抓取翻頁(yè)時(shí)的時(shí)間間隔，默認(rèn)3s
- click_url_interval
- 在抓取一頁(yè)的url時(shí)的間隔，默認(rèn)1s
- win_width
- 設(shè)置窗口的寬度
- win_height
- 設(shè)置窗口的高度，如果顯示器的分辨率較大，可以設(shè)置的更加高一些，從而一頁(yè)包含的文章數(shù)更多一些，從而翻頁(yè)少一點(diǎn)。注意：一定要保證窗口完全可見，也就是說win_height不能大于實(shí)際分辨率的高度！
- 設(shè)置窗口的高度，如果顯示器的分辨率較大，可以設(shè)置的更加高一些，從而一頁(yè)包含的文章數(shù)更多一些，從而翻頁(yè)少一點(diǎn)。注意：一定要保證窗口完全可見，也就是說win_height不能大于實(shí)際分辨率的高度！
這個(gè)函數(shù)的主要功能是構(gòu)建Application對(duì)象從而通過pywinauto實(shí)現(xiàn)控制，這里使用的是uia的backend，然后設(shè)置窗口的大小并且把窗口移到最左上角。因?yàn)楦鶕?jù)so文章，pywinauto 0.6.8存在bug，只能通過win32的backend來移到窗口，所以構(gòu)造了self.app2然后調(diào)用move_window()函數(shù)把窗口移到最左上角。
crawl_gongzhonghao
這個(gè)函數(shù)實(shí)現(xiàn)了某個(gè)公眾號(hào)的文章抓取。它的基本控制邏輯如下：
- 首先通過搜索框根據(jù)名字搜索公眾號(hào)并且點(diǎn)擊它。
- 對(duì)于當(dāng)前頁(yè)點(diǎn)擊所有的鏈接并且下載其內(nèi)容。
- 使用PAGE_DOWN鍵往下翻頁(yè)
- 需要判斷是否繼續(xù)抓取
第一個(gè)是通過locate_user函數(shù)實(shí)現(xiàn)，后面會(huì)介紹。第二個(gè)是通過process_page函數(shù)實(shí)現(xiàn)，后面也會(huì)介紹。判斷是否繼續(xù)抓取的邏輯為：
- 如果翻頁(yè)超過max_pages，則停止抓取
- 如果碰到某個(gè)url曾經(jīng)抓取過，那說明之前的文章都已經(jīng)抓取過了，則停止抓取
- 如果lastest_date不是None并且一篇文章的發(fā)布日期早于它，則停止抓取
所以我們通常會(huì)在第一次抓取的時(shí)候把max_pages設(shè)置的很大(比如100)，然后通過latest_date來抓到指定的日期。而之后的抓取則設(shè)置max_pages為較小的值(比如默認(rèn)的6)，這樣只要爬蟲在兩次抓取之間公眾號(hào)的更新不超過6頁(yè)，那么就不會(huì)漏掉文章。具體的邏輯可以參考main.py，它會(huì)把抓取的文章通過http請(qǐng)求發(fā)給Server，并且每次抓取的時(shí)候從Server查詢抓取過的文章存放到states這個(gè)list里states[i][“url”]就存儲(chǔ)了第i篇文章的url。
def crawl_gongzhonghao(self, account_name, articles, states, detail,
max_pages=6, latest_date=None, no_item_retry=3):
logger.debug(account_name)
if not self.locate_user(account_name):
return False
last_visited_titles = set()
visited_urls = set()
self.turn_page_up(min(20, max_pages * 2))
pagedown_retry = 0
last_visited_titles = []
for page in range(0, max_pages):
items = []
last_visited_titles = self.process_page(account_name, items, last_visited_titles, states, visited_urls, detail)
articles.extend(items)
if len(items) == 0:
pagedown_retry += 1
if pagedown_retry >= no_item_retry:
s = "break because of retry {}".format(pagedown_retry)
logger.debug(s)
WechatAutomator.add_to_detail(s, detail)
break
else:
pagedown_retry = 0
if len(items) > 0 and latest_date is not None:
html = items[-1][-1]
pub_date = WechatAutomator.get_pubdate(html)
if pub_date and pub_date < latest_date:
s = "stop because {} < {}".format(pub_date, latest_date)
logger.debug(s)
WechatAutomator.add_to_detail(s, detail)
break
url_exist = False
for item in items:
if WechatAutomator.url_in_states(item[0], states):
s = "stop because url exist {}".format(item[0])
logger.debug(s)
WechatAutomator.add_to_detail(s, detail)
url_exist = True
break
if url_exist:
break
self.click_right()
self.main_win.type_keys("{PGDN}")
time.sleep(self.turn_page_interval)
self.turn_page_up(page * 2)
return Truelocate_user
locate_user函數(shù)的控制流程為：
- 找到左上角的搜索框并且點(diǎn)擊它獲得焦點(diǎn)
- 使用ctrl+a選中可能有的文字(之前的bug?)并且使用后退鍵刪除它們
- 輸入公眾號(hào)名稱
- 在彈出的list里點(diǎn)擊這個(gè)公眾號(hào)名稱從而進(jìn)入公眾號(hào)
def locate_user(self, user, retry=5):
if not self.main_win:
raise RuntimeError("you should call init_window first")
search_btn = self.main_win.child_window(title="搜索", control_type="Edit")
self.click_center(search_btn)
self.main_win.type_keys("^a")
self.main_win.type_keys("{BACKSPACE}")
self.main_win.type_keys(user)
for i in range(retry):
time.sleep(1)
try:
search_list = self.main_win.child_window(title="搜索結(jié)果")
match_result = search_list.child_window(title=user, control_type="ListItem")
self.click_center(match_result)
return True
except:
pass
return False這里主要就是通過child_window函數(shù)進(jìn)行定位，關(guān)于它的用法這里不介紹。關(guān)于怎么定位元素的方法可以使用Inspect.exe或者print_control_identifiers函數(shù)，具體參考這里。
process_page
這個(gè)函數(shù)是最主要的抓取代碼，它處理當(dāng)前一頁(yè)的內(nèi)容，它的控制流程如下：
- 構(gòu)建當(dāng)前頁(yè)的tree
- 使用recursive_get函數(shù)遍歷這顆樹并且找到每篇文章對(duì)應(yīng)的element
- 遍歷每一篇文章
- 如果文章的名字在上一頁(yè)出現(xiàn)過，則跳過
- 獲得這篇文章的坐標(biāo)信息
- 如果文章不可見(rect.top >= win_rect.bottom or rect.bottom <= self.visible_top)則跳過
- 計(jì)算點(diǎn)擊的坐標(biāo)
- 點(diǎn)擊文章打開新的窗口
- 在新的窗口中點(diǎn)擊【復(fù)制鏈接】按鈕
- 從剪貼板復(fù)制鏈接url
- 通過url下載文章內(nèi)容并且parse發(fā)布日期
邏輯比較簡(jiǎn)單，但是有一些很trick的地方：
- 微信翻頁(yè)的實(shí)現(xiàn)
- 微信客戶端的翻頁(yè)和瀏覽器不同，它的內(nèi)容是累加的，比如第一頁(yè)3篇文章，往下翻一頁(yè)可能變成6篇文章，再翻可能變成9篇。這個(gè)時(shí)候這9篇文章都是在tree中的，只不過最后3篇的坐標(biāo)(top和bottom)是空間的。
- 能否點(diǎn)擊 一篇文章對(duì)應(yīng)的框(圖)可能是部分可見的，甚至它的top非常接近屏幕的最下方，這個(gè)時(shí)候可能點(diǎn)不了。如下圖所示：
與此類似的是右上角的黑色頭部(不能滾到并且會(huì)遮擋)也有一定空間，如下圖所示：
- 點(diǎn)擊的位置
因?yàn)檫@個(gè)框可能很窄(bottom-top很小)并且可能在很靠上或者靠下的位置。所以有如下代碼：
# 計(jì)算可見的高度
visible_height = min(rect.bottom, win_rect.bottom) - max(rect.top, win_rect.top+self.visible_top)
# 太窄的不點(diǎn)擊，希望下次翻頁(yè)后能顯示更多像素從而可以點(diǎn)擊，
# 但是如果微信的某個(gè)文章的框的高度小于10個(gè)像素，那么這篇文章就無法被點(diǎn)擊
# 不過作者目前為發(fā)現(xiàn)這么窄的文章
if visible_height < 10:
continue
# 如果某個(gè)文章的框太大，則拋出異常，目前為止為發(fā)現(xiàn)這樣的問題。
if rect.bottom - rect.top >= win_rect.bottom - self.visible_top:
raise RuntimeError("{}-{}>={}-{}".format(rect.bottom, rect.top,
win_rect.bottom, self.visible_top))
# 如果下部部分可見，那么點(diǎn)擊上方是比較”安全“的
if rect.bottom >= win_rect.bottom:
click_up = True
# 如果下部完全可見，則點(diǎn)擊下方是”安全“的
else:
click_up = False完整代碼如下：
def process_page(self, account_name, items, lastpage_clicked_titles, states, visited_urls, detail):
clicked_titles = set()
text = self.main_win.child_window(title=account_name, control_type="Text", found_index=0)
parent = text
while parent:
parent = parent.parent()
if '會(huì)話列表' == parent.element_info.name:
break
paths = [0, 2, 0, 0, 0, 1, 0]
for idx in paths:
parent = parent.children()[idx]
elems = []
self.recursive_get(parent, elems)
win_rect = self.main_win.rectangle()
for elem in elems:
rect = elem.rectangle()
if elem.element_info.name in lastpage_clicked_titles:
continue
if rect.top >= win_rect.bottom or rect.bottom <= self.visible_top:
continue
visible_height = min(rect.bottom, win_rect.bottom) - max(rect.top, win_rect.top+self.visible_top)
if visible_height < 10:
continue
if rect.bottom - rect.top >= win_rect.bottom - self.visible_top:
raise RuntimeError("{}-{}>={}-{}".format(rect.bottom, rect.top,
win_rect.bottom, self.visible_top))
if rect.bottom >= win_rect.bottom:
click_up = True
else:
click_up = False
if self.is_bad_elem(elem):
s = "not good elem {}".format(elem.element_info.name[0:10])
logger.debug(s)
WechatAutomator.add_to_detail(s, detail)
continue
try:
self.click_url(rect, win_rect, click_up)
copy_btn = self.browser.child_window(title="復(fù)制鏈接地址")
self.click_center(copy_btn, click_main=False)
url = clipboard.GetData()
if elem.element_info.name != '圖片':
clicked_titles.add(elem.element_info.name)
if url and not url in visited_urls:
visited_urls.add(url)
html = None
try:
html = requests.get(url).text
except:
s = "fail get {}".format(url)
logger.debug(s)
WechatAutomator.add_to_detail(s, detail)
items.append((url, rect, elem.element_info.name, html))
except:
traceback.print_exc()
pass
finally:
if self.browser:
try:
self.browser.close()
except:
pass
self.browser = None
time.sleep(self.click_url_interval)
return clicked_titles以上就是python使用pywinauto驅(qū)動(dòng)微信客戶端實(shí)現(xiàn)公眾號(hào)爬蟲的詳細(xì)內(nèi)容，更多關(guān)于python 公眾號(hào)爬蟲的資料請(qǐng)關(guān)注W3Cschool其它相關(guān)文章！
