爬取公众号历史文章保存为pdf

[ceerqingting]

有时候自己接触到一些优质内容的公众号，便想有时间把所有的文章都看一遍，但是微信官方客户端查看历史文章的功能有限，每次都得从头翻到最后，很不方便，而最近刚好学了一下python的官方教程，所以干脆用scrapy写了一个爬取公众号文章并保存为pdf的项目用来练手，非常的简单，如果错误之处，欢迎指正。

1. 安装anaconda

下载地址及安装说明: https://docs.anaconda.com/anaconda/install/

为什么安装anaconda?

第一：提供了包管理功能，解决了Windows平台安装第三方包经常失败的问题

第二: 提供环境管理的功能，解决了多版本python并存、切换的问题

安装完Anaconda之后，python就已经安装好了，不需要再安装python了。检验是否安装成功，可以在命令行里输入conda或者python，如果不是显示command not found，则表示安装成功。

2. 安装scrapy

• 方式一：用pip安装

pip install Scrapy

• 方式二： 用conda安装

本人mac环境，用conda安装之后运行scrapy，发现有些第三方包没有，之后用pip再安装一次就没问题了

conda install -c conda-forge scrapy

3. 安装selenium和webdriver

执行以下命令安装selenum

pip install selenum

下载ChromeDriver： https://chromedriver.chromium.org/

4. 创建项目

执行以下命令创建项目tutorial

scrapy startproject tutorial

5. 编写爬虫

在tutorial/spiders目录下创建quotes_spider.py爬虫文件。在编写之前，我们先大概了解下我们要实现的步骤。

• 手动获取登录信息，浏览器打开桌面端微信公号历史文章，从控制台复制公众号列表接口地址和请求头中的cookie，因为微信登录比较复杂，还无法做到自动登录

• 循环爬取公众号列表接口，解析出所有文章链接

• 用selenium的webdriver加载文章链接，然后使用js的window.print();命令进行打印，保存为pdf

模块功能说明：

• chromedriver的配置

    def init_driver(self):
        appState = {
            'recentDestinations': [
                {
                    'id': 'Save as PDF',
                    'origin': 'local'
                }
            ],
            'selectedDestinationId': 'Save as PDF',
            'version': 2
        }
        profile = {
            'printing.print_preview_sticky_settings.appState': json.dumps(appState),
            'savefile.default_directory': '此处填写pdf保存的目录'
        }
        chrome_options = webdriver.ChromeOptions()
        chrome_options.add_experimental_option('prefs', profile)
        chrome_options.add_argument('--kiosk-printing')
        driver = webdriver.Chrome(options=chrome_options,executable_path='此处填写chromedirver下载的目录/chromedriver')
        return driver

• 懒加载图片处理

公众号文章内的图片都做了懒加载处理，如果直接截取整个页面，会导致有些图片缺失，所以需要模拟用户滚动整个页面来加载出图片

    def scroll_page(self, driver):
        time.sleep(5)
        page_height = driver.execute_script('return document.body.scrollHeight;')
        screen_height = driver.execute_script('return window.innerHeight;')
        step = screen_height
        while page_height > 0:
            driver.execute_script(f'window.scrollBy(0, {step});')
            page_height -= step
            time.sleep(0.5)

• 去除广告

有些页面有广告，如果想去掉广告，可以先执行js脚本，操作浏览器的DOM，去除你想去除的，保留你想保留的，当然这只针对每个页面做统一处理，如果每个页面广告位置都不一样，则只能对每个页面做单独处理

    def remove_ads(self, driver):
        driver.execute_script('''document.getElementById("page-content").innerHTML = document.getElementById("js_content").innerHTML;''')

• 保存pdf

    driver.execute_script('window.print();')

• 更改下载的pdf文件名称

    os.rename(f'./pages/{temp_title}.pdf', f'./pages/{title}.pdf')

注意这里需要进行异常处理，有时候会出现找不到该文件的错误，导致程序中断

完整代码配置

import scrapy
import json
import time
import os
import logging
import re
from selenium import webdriver

class wechat(scrapy.Spider):
    name = 'wechat'
    offset = 1
    start_urls = [
        '微信公众号列表接口地址'
    ]
    cookies = '请求头cookie'
    def convert_cookies(self, cookies):
        cookie_dict = dict([l.split("=", 1) for l in cookies.split("; ")])
        return cookie_dict

    def init_driver(self):
        appState = {
            'recentDestinations': [
                {
                    'id': 'Save as PDF',
                    'origin': 'local'
                }
            ],
            'selectedDestinationId': 'Save as PDF',
            'version': 2
        }
        profile = {
            'printing.print_preview_sticky_settings.appState': json.dumps(appState),
            'savefile.default_directory': '此处填写pdf保存的目录'
        }
        chrome_options = webdriver.ChromeOptions()
        chrome_options.add_experimental_option('prefs', profile)
        chrome_options.add_argument('--kiosk-printing')
        driver = webdriver.Chrome(options=chrome_options,executable_path='此处填写chromedirver下载的目录/chromedriver')
        return driver

    def add_cookie(self, driver):
        cookies = self.convert_cookies(self.cookies)
        for k, v in cookies.items():
            driver.add_cookie({
                'name': k,
                'value': v
            })

    def scroll_page(self, driver):
        time.sleep(5)
        page_height = driver.execute_script('return document.body.scrollHeight;')
        screen_height = driver.execute_script('return window.innerHeight;')
        step = screen_height
        while page_height > 0:
            driver.execute_script(f'window.scrollBy(0, {step});')
            page_height -= step
            time.sleep(0.5)

    def down_pdf(self, driver):
        self.scroll_page(driver)
        self.remove_ads(driver)
        driver.execute_script('window.print();')
        time.sleep(10)

    def url_filter(self):
        return re.sub(r'offset=\d+', f'offset={self.offset}', self.start_urls[0])
    
    def rename_pdf(self, msg, driver):
        try:
            publishTime = driver.find_elements_by_css_selector('#publish_time')[0].get_attribute('textContent')
            temp_title= driver.title
            title = publishTime + '_' + msg['app_msg_ext_info']['title']
            os.rename(f'./pages/{temp_title}.pdf', f'./pages/{title}.pdf')
        except Exception as e:
            logging.exception(e)

    def remove_ads(self, driver):
        driver.execute_script('''document.getElementById("page-content").innerHTML = document.getElementById("js_content").innerHTML;''')
        
    def start_requests(self):
        yield scrapy.Request(self.url_filter(), cookies=self.convert_cookies(self.cookies))

    def parse(self, response):
        driver = self.init_driver()
        response_json = json.loads(response.text)
        general_msg_list = json.loads(response_json['general_msg_list'])
        msg_list = general_msg_list['list']
        if len(msg_list) == 0:
            driver.quit()
            return
        for msg in msg_list:
            if 'app_msg_ext_info' not in msg:
                continue
            if (msg['app_msg_ext_info']['copyright_stat'] == 11):
                driver.get(msg['app_msg_ext_info']['content_url'])
                if self.offset == 0:
                    self.add_cookie(driver)
                driver.get(msg['app_msg_ext_info']['content_url'])
                self.down_pdf(driver)
                self.rename_pdf(msg, driver)
        self.offset += 10
        print('current offset', self.offset)
        yield response.follow(self.url_filter(), callback=self.parse)

以上就可以轻松爬取所有文章在本地进行阅读了

参考资料：使用selenium把网页保存为PDF