Python3爬虫实战：Appium爬取微信朋友圈[python爬虫实战]

Appium 爬取微信朋友圈

接下来，我们将实现微信朋友圈的爬取。

如果直接用 Charles 或 mitmproxy 来监听微信朋友圈的接口数据，这是无法实现爬取的，因为数据都是被加密的。而 Appium 不同，Appium 作为一个自动化测试工具可以直接模拟 App 的操作并可以获取当前所见的内容。所以只要 App 显示了内容，我们就可以用 Appium 抓取下来。

更多相关内容，可以参考这篇文章：《Python3爬虫入门：Appium的基本使用》

1. 本节目标

本节我们以 Android 平台为例，实现抓取微信朋友圈的动态信息。动态信息包括好友昵称、正文、发布日期。其中发布日期还需要进行转换，如日期显示为 1 小时前，则时间转换为今天，最后动态信息保存到 MongoDB。

2. 准备工作

请确保 PC 已经安装好 Appium、Android 开发环境和 Python 版本的 Appium API。Android 手机安装好微信 App、PyMongo 库，安装 MongoDB 并运行其服务，安装方法可以参考第 1 章。

3. 初始化

首先新建一个 Moments 类，进行一些初始化配置，如下所示：

PLATFORM = &＃39;Android&＃39;
DEVICE_NAME = &＃39;MI_NOTE_Pro&＃39;
APP_PACKAGE = &＃39;com.tencent.mm&＃39;
APP_ACTIVITY = &＃39;.ui.LauncherUI&＃39;
DRIVER_SERVER = &＃39;http://localhost:4723/wd/hub&＃39;
TIMEOUT = 300
MONGO_URL = &＃39;localhost&＃39;
MONGO_DB = &＃39;moments&＃39;
MONGO_COLLECTION = &＃39;moments&＃39;
class Moments():
    def __init__(self):
        """初始化"""
        # 驱动配置
        self.desired_caps = {
            &＃39;platformName&＃39;: PLATFORM,
            &＃39;deviceName&＃39;: DEVICE_NAME,
            &＃39;appPackage&＃39;: APP_PACKAGE,
            &＃39;appActivity&＃39;: APP_ACTIVITY
        }
        self.driver = webdriver.Remote(DRIVER_SERVER, self.desired_caps)
        self.wait = WebDriverWait(self.driver, TIMEOUT)
        self.client = MongoClient(MONGO_URL)
        self.db = self.client[MONGO_DB]
        self.collection = self.db[MONGO_COLLECTION]

这里实现了一些初始化配置，如驱动的配置、延时等待配置、MongoDB 连接配置等。

4. 模拟登录

接下来要做的就是登录微信。点击登录按钮，输入用户名、密码，提交登录即可。实现样例如下所示：

def login(self):
    # 登录按钮
    login = self.wait.until(EC.presence_of_element_located((By.ID, &＃39;com.tencent.mm:id/cjk&＃39;)))
    login.click()
    # 手机输入
    phone = self.wait.until(EC.presence_of_element_located((By.ID, &＃39;com.tencent.mm:id/h2&＃39;)))
    phone.set_text(USERNAME)
    # 下一步
    next = self.wait.until(EC.element_to_be_clickable((By.ID, &＃39;com.tencent.mm:id/adj&＃39;)))
    next.click()
    # 密码
    password = self.wait.until(EC.presence_of_element_located((By.XPATH, &＃39;//*[@resource-id="com.tencent.mm:
    id/h2"]
    [1]&＃39;)))
    password.set_text(PASSWORD)
    # 提交
    submit = self.wait.until(EC.element_to_be_clickable((By.ID, &＃39;com.tencent.mm:id/adj&＃39;)))
    submit.click()

这里依次实现了一些点击和输入操作，思路比较简单。对于不同的平台和版本来说，流程可能不太一致，这里仅作参考。

登录完成之后，进入朋友圈的页面。选中朋友圈所在的选项卡，点击朋友圈按钮，即可进入朋友圈，代码实现如下所示：

def enter(self):
    # 选项卡
    tab = self.wait.until(EC.presence_of_element_located((By.XPATH, &＃39;//*[@resource-id="com.tencent.mm:id/bw3"]
    [3]&＃39;)))
    tab.click()
    # 朋友圈
    moments = self.wait.until(EC.presence_of_element_located((By.ID, &＃39;com.tencent.mm:id/atz&＃39;)))
    moments.click()

抓取工作正式开始。

5. 抓取动态

我们知道朋友圈可以一直拖动、不断刷新，所以这里需要模拟一个无限拖动的操作，如下所示：

# 滑动点
FLICK_START_X = 300
FLICK_START_Y = 300
FLICK_DISTANCE = 700
def crawl(self):
    while True:
        # 上滑
        self.driver.swipe(FLICK_START_X, FLICK_START_Y + FLICK_DISTANCE, FLICK_START_X, FLICK_START_Y)

我们利用 swipe() 方法，传入起始和终止点实现拖动，加入无限循环实现无限拖动。

获取当前显示的朋友圈的每条状态对应的区块元素，遍历每个区块元素，再获取内部显示的用户名、正文和发布时间，代码实现如下所示：

# 当前页面显示的所有状态
items = self.wait.until(
    EC.presence_of_all_elements_located((By.XPATH, &＃39;//*[@resource-id="com.tencent.mm:id/cve"]//android.widget.
    FrameLayout&＃39;)))
# 遍历每条状态
for item in items:
    try:
        # 昵称
        nickname = item.find_element_by_id(&＃39;com.tencent.mm:id/aig&＃39;).get_attribute(&＃39;text&＃39;)
        # 正文
        content = item.find_element_by_id(&＃39;com.tencent.mm:id/cwm&＃39;).get_attribute(&＃39;text&＃39;)
        # 日期
        date = item.find_element_by_id(&＃39;com.tencent.mm:id/crh&＃39;).get_attribute(&＃39;text&＃39;)
        # 处理日期
        date = self.processor.date(date)
        print(nickname, content, date)
        data = {
            &＃39;nickname&＃39;: nickname,
            &＃39;content&＃39;: content,
            &＃39;date&＃39;: date,
        }   
    except NoSuchElementException:
        pass

这里遍历每条状态，再调用 find_element_by_id() 方法获取昵称、正文、发布日期对应的元素，然后通过 get_attribute() 方法获取内容。这样我们就成功获取到朋友圈的每条动态信息。

针对日期的处理，我们调用了一个 Processor 类的 date() 处理方法，该方法实现如下所示：

def date(self, datetime):
    """
    处理时间
    :param datetime: 原始时间
    :return: 处理后时间
    """
    if re.match(&＃39;d + 分钟前 &＃39;, datetime):
        minute = re.match(&＃39;(d+)&＃39;, datetime).group(1)
        datetime = time.strftime(&＃39;% Y-% m-% d&＃39;, time.localtime(time.time() - float(minute) * 60))
    if re.match(&＃39;d + 小时前 &＃39;, datetime):
        hour = re.match(&＃39;(d+)&＃39;, datetime).group(1)
        datetime = time.strftime(&＃39;% Y-% m-% d&＃39;, time.localtime(time.time() - float(hour) * 60 * 
        60))
    if re.match(&＃39; 昨天 &＃39;, datetime):
        datetime = time.strftime(&＃39;% Y-% m-% d&＃39;, time.localtime(time.time() - 24 * 60 * 60))
    if re.match(&＃39;d + 天前 &＃39;, datetime):
        day = re.match(&＃39;(d+)&＃39;, datetime).group(1)
        datetime = time.strftime(&＃39;% Y-% m-% d&＃39;, time.localtime(time.time()) - float(day) * 24 * 
        60 * 60)
    return datetime

这个方法使用了正则匹配的方法来提取时间中的具体数值，再利用时间转换函数实现时间的转换。例如时间是 5 分钟前，这个方法先将 5 提取出来，用当前时间戳减去 300 即可得到发布时间的时间戳，然后再转化为标准时间即可。

最后调用 MongoDB 的 API 来实现爬取结果的存储。为了去除重复，这里调用了 update() 方法，实现如下所示：

self.collection.update({&＃39;nickname&＃39;: nickname, &＃39;content&＃39;: content}, {&＃39;$set&＃39;: data}, True)

首先根据昵称和正文来查询信息，如果信息不存在，则插入数据，否则更新数据。这个操作的关键点是第三个参数 True，此参数设置为 True，这可以实现存在即更新、不存在则插入的操作。

最后实现一个入口方法调用以上的几个方法。调用此方法即可开始爬取，代码实现如下所示：

def main(self):
    # 登录
    self.login()
    # 进入朋友圈
    self.enter()
    # 爬取
    self.crawl()

这样我们就完成了整个朋友圈的爬虫。代码运行之后，手机微信便会启动，并且可以成功进入到朋友圈然后一直不断执行拖动过程。控制台输出相应的爬取结果，结果被成功保存到 MongoDB 数据库中。

6. 结果查看

我们到 MongoDB 中查看爬取结果，如图 11-46 所示。

可以看到朋友圈的数据就成功保存到了数据库。

7. 本节代码

本节源代码地址为：https://github.com/Python3WebSpider/Moments。

8. 结语

以上内容是利用 Appium 爬取微信朋友圈的过程。利用 Appium，我们可以做到 App 的可见即可爬，也可以实现自动化驱动和数据爬取。但是实际运行之后，Appium 的解析比较烦琐，而且容易发生重复和中断。如果我们可以用前文所说的 mitmdump 来监听 App 数据实时处理，而 Appium 只负责自动化驱动，它们各负其责，那么整个爬取效率和解析效率就会高很多。所以下一节我们会了解，将 mitmdump 和 Appium 结合起来爬取京东商品的过程。

众多python教程，尽在编程笔记网，欢迎在线学习！