搜狗微信文章url解码

最近看教程爬取搜狗微信文章，前边工作做好爬取ok，到了抓取每个文章的url时候出现了问题

这一串并不是文章真正的url，直接点的会弹出输入验证码，ok，去百度，吸取各个大佬的经验，得知了这只是一个未处理的url，处理过后才能得到真正的url。

具体过程(吸取前人经验总结的，百度真是个好东西)：

首先这个url不是真正的url，在网页中点击标题后，会触发一个事件，这个事件会为我们在网页源代码中看到的url加上两个参数，已经有人把这个事件用python代码写出来了，也可以保存下来用execjs执行js代码获得加工后的url。加工后的url也不是真正的url，而是请求加工后的url后，返回一段js代码，这段代码会暴露出真正的url。具体分析过程可以见下边别人的博客，这里是对他们的补充(因为爬虫不断更新，或者各位大佬没说清楚的细节)。
这是他翻译的代码
r是从href属性下拿到的

def url_decode(r): url = 'https://weixin.sogou.com' + rb = random.randint(0, 99)a = url.index('url=')a = url[a + 30 + b:a + 31 + b:]url += '&k=' + str(b) + '&h=' + areturn url

别人的博客
看完后请回到这里，这里会有一些重要的补充（在最后会说明到底需要什么样的headers）。

捋一下：
拿到原始url就是href里的东西，然后经过代码初步加工(加两个参数)，然后请求这个url，获得返回的js代码，执行js代码获得真正的url

要注意的是访问过程中需要headers和cookie，headers要包含一项重要的参数就是

'Referer': 'https://weixin.sogou.com/weixin?query=%E9%A3%8E%E6%99%AF&type=2&page=17&ie=utf8'
这代表了这篇文章是从那一页点出去的，后边的参数page=17代表这是从17页出去的，但是你把这个17改成其他的也会出正确的结果。

这一点上篇博客的作者未说明白，就很头痛
完整代码：

import requests
import random
import execjs
headers ={
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6788.400 QQBrowser/10.3.2843.400',
'Referer': 'https://weixin.sogou.com/weixin?query=%E9%A3%8E%E6%99%AF&type=2&page=78&ie=utf8',
'Cookie':'请写自己的cookie'
}#这个r是从href属性中随便找的一个
r = '/link?url=dn9a_-gY295K0Rci_xozVXfdMkSQTLW6cwJThYulHEtVjXrGTiVgS-YkygAfURZixdHSWWTpjKGkObPViAwEPVqXa8Fplpd9W1RjMz0jVEOYLI-rHUPgtBk2_TyeoA3GDJspUagW-Yy9H6-7QCE2hSaBhOGtNMj4F0FcxDoTjZybKWio3tq6IMm2GquGlhKJqAgaYZNJG8637wb_OeiFDqWh7iDLQRH83eTM7rFoCnQIl6fai6Q9VK8x6EAqg2mK506YFvY2wmPs46dn8Efgxg..&amp;type=2&amp;query=%E9%A3%8E%E6%99%AF'def url_decode(r): url = 'https://weixin.sogou.com' + rb = random.randint(0, 99)a = url.index('url=')a = url[a + 30 + b:a + 31 + b:]url += '&k=' + str(b) + '&h=' + areturn url
url = url_decode(r)resp = requests.get(url,headers=headers)print(resp.content.decode('utf8'))

结果：

用execjs处理一下就可以了

js_code = resp.content.decode('utf8')comment = re.compile('<script>(.*?)</script>',re.DOTALL)js_code = 'f = function(){%s}'%(comment.findall(js_code)[0].replace('window.location.replace(url)','return url;'))print(execjs.compile(js_code).call('f'))

其中js_code就是网页返回值
处理完后打印出的就是正确的url

搜狗微信文章url解码相关推荐

爬取搜狗微信文章笔记1
爬取搜狗微信文章笔记1 错误1 ```pythonprint('https://weixin.sogou.com'+index) TypeError: can only concatenate str ...
搜狗微信文章爬取（中）
GitHub: https://github.com/utopianist/SougouWeixin 前言上节,我们已经成功构造了包含参数 SNUID 的 Cookie 池,这节我们将正式爬取 we ...
python爬虫——使用xpath爬取搜狗微信文章
缺点:爬取一定数量之后会出现验证码,导致不能继续爬取,需要更换ip才可以继续爬取,或者在浏览器重新输入验证码之后复制cookie后方能继续爬取. import requests from fake_u ...
使用redis所维护的代理池抓取微信文章
搜狗搜索可以直接搜索微信文章,本次就是利用搜狗搜搜出微信文章,获得详细的文章url来得到文章的信息.并把我们感兴趣的内容存入到mongodb中. 因为搜狗搜索微信文章的反爬虫比较强,经常封IP,所以要 ...
搜狗微信临时链接的转换
搜狗微信临时链接的转换本文主要叙述的是如何获取搜狗微信的链接并转换成永久链对搜狗微信的分析获取uin和key来转换永久链接通过模拟浏览器然后安装插件获取永久链接本文主要叙述的是如何获取搜狗微 ...
使用QueryList解析微信文章
背景:最近工作中需要做一个通过微信文章url抓取微信文章的功能,网页解析使用的是QueryList.将代码实现的逻辑记录一下. 具体实现代码如下: /*** @param $url 微信文章url* ...
python爬取公众号推荐_python爬搜狗微信获取指定微信公众号的文章
前言: 之前收藏了一个叫微信公众号的文章爬取,里面用到的模块不错.然而偏偏报错= =.果断自己写了一个正文: 第一步爬取搜狗微信搜到的公众号: http://weixin.sogou.com/we ...
如何用python爬取公众号文章搜狗微信搜索_python抓取搜狗微信公众号文章
初学python,抓取搜狗微信公众号文章存入mysql mysql表: 代码: import requests import json import re import pymysql # 创建连接 ...
如何用python爬取公众号文章搜狗微信搜索_python如何爬取搜狗微信公众号文章永久链接的思路解析...
这篇文章主要介绍了python如何爬取搜狗微信公众号文章永久链接的思路解析 ,小编觉得挺不错的,现在分享给大家,也给大家做个参考.一起跟随小编过来看看吧. 本文主要讲解思路,代码部分请自行解决搜狗微信 ...
基于搜狗微信爬取微信公众号的文章
1. 引入模块和函数 from requests_html import HTMLSession from urllib.parse import urlparse, parse_qs import ...

搜狗微信文章url解码

搜狗微信文章url解码相关推荐

最新文章

热门文章