最近需要爬取微信公众号的文章信息。在网上找了找发现微信公众号爬取的难点在于公众号文章链接在pc端是打不开的,要用微信的自带浏览器(拿到微信客户端补充的参数,才可以在其它平台打开),这就给爬虫程序造成很大困扰。后来在知乎上看到了一位大牛用php写的微信公众号爬取程序,就直接按大佬的思路整了整搞成java的了。改造途中遇到蛮多细节问题,拿出来分享一下。
附上大牛文章链接:https://zhuanlan.zhihu.com/c_65943221 写php的或者只需要爬取思路的可以直接看这个,思路写的非常详细。
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------
系统的基本思路是在安卓模拟器上运行微信,模拟器设置代理,通过代理服务器拦截微信数据,将得到的数据发送给自己的程序进行处理。
需要准备的环境:nodejs,anyproxy代理,安卓模拟器
nodejs下载地址:http://nodejs.cn/download/,我下载的是windows版的,下好直接安装就行。安装好后,直接运行C:\Program Files\nodejs\npm.cmd 会自动配置好环境。
anyproxy安装:按上一步安装好nodejs之后,直接在cmd运行 npm install -g anyproxy 就会安装了
安卓模拟器随便在网上下一个就好了,一大堆。
------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
首先为代理服务器安装证书,anyproxy默认不解析https链接,安装证书后就可以解析了,在cmd执行anyproxy --root 就会安装证书,之后还得在模拟器也下载这个证书。
然后输入anyproxy -i 命令 打开代理服务。(记得加上参数!)
记住这个ip和端口,之后安卓模拟器的代理就用这个。现在用浏览器打开网页:http://localhost:8002/ 这是anyproxy的网页界面,用于显示http传输数据。
点击上面红框框里面的菜单,会出一个二维码,用安卓模拟器扫码识别,模拟器(手机)就会下载证书了,安装上就好了。
现在准备为模拟器设置代理,代理方式设置为手动,代理ip为运行anyproxy机器的ip,端口是8001
到这里准备工作基本完成,在模拟器上打开微信随便打开一个公众号的文章,就能从你刚打开的web界面中看到anyproxy抓取到的数据:
上面红框内就是微信文章的链接,点击进去可以看到具体的数据。如果response body里面什么都没有可能证书安装有问题。
如果上面都走通了,就可以接着往下走了。
这里我们靠代理服务抓微信数据,但总不能抓取一条数据就自己操作一下微信,那样还不如直接人工复制。所以我们需要微信客户端自己跳转页面。这时就可以使用anyproxy拦截微信服务器返回的数据,往里面注入页面跳转代码,再把加工的数据返回给模拟器实现微信客户端自动跳转。
打开anyproxy中的一个叫rule_default.js的js文件,windows下该文件在:C:\Users\Administrator\AppData\Roaming\npm\node_modules\anyproxy\lib
在文件里面有个叫replaceServerResDataAsync: function(req,res,serverResData,callback)的方法,这个方法就是负责对anyproxy拿到的数据进行各种操作。一开始应该只有callback(serverResData);这条语句的意思是直接返回服务器响应数据给客户端。直接删掉这条语句,替换成大牛写的如下代码。这里的代码我并没有做什么改动,里面的注释也解释的给非常清楚,直接按逻辑看懂就行,问题不大。
- replaceServerResDataAsync: function(req, res, serverResData, callback) {
- if (/mp\/getmasssendmsg/i.test(req.url)) { //当链接地址为公众号历史消息页面时(第一种页面形式)
- //console.log("开始第一种页面爬取");
- if (serverResData.toString() !== "") {
- 6
- try { //防止报错退出程序
- var reg = /msgList = (.*?);/; //定义历史消息正则匹配规则
- var ret = reg.exec(serverResData.toString()); //转换变量为string
- HttpPost(ret[1], req.url, "/InternetSpider/getData/showBiz"); //这个函数是后文定义的,将匹配到的历史消息json发送到自己的服务器
- var http = require('http');
- http.get('http://xxx/getWxHis',
- function(res) { //这个地址是自己服务器上的一个程序,目的是为了获取到下一个链接地址,将地址放在一个js脚本中,将页面自动跳转到下一页。后文将介绍getWxHis.php的原理。
- res.on('data',
- function(chunk) {
- callback(chunk + serverResData); //将返回的代码插入到历史消息页面中,并返回显示出来
- })
- });
- } catch(e) { //如果上面的正则没有匹配到,那么这个页面内容可能是公众号历史消息页面向下翻动的第二页,因为历史消息第一页是html格式的,第二页就是json格式的。
- //console.log("开始第一种页面爬取向下翻形式");
- try {
- var json = JSON.parse(serverResData.toString());
- if (json.general_msg_list != []) {
- HttpPost(json.general_msg_list, req.url, "/xxx/showBiz"); //这个函数和上面的一样是后文定义的,将第二页历史消息的json发送到自己的服务器
- }
- } catch(e) {
- console.log(e); //错误捕捉
- }
- callback(serverResData); //直接返回第二页json内容
- }
- }
- //console.log("开始第一种页面爬取 结束");
- } else if (/mp\/profile_ext\?action=home/i.test(req.url)) { //当链接地址为公众号历史消息页面时(第二种页面形式)
- try {
- var reg = /var msgList = \'(.*?)\';/; //定义历史消息正则匹配规则(和第一种页面形式的正则不同)
- var ret = reg.exec(serverResData.toString()); //转换变量为string
- HttpPost(ret[1], req.url, "/xxx/showBiz"); //这个函数是后文定义的,将匹配到的历史消息json发送到自己的服务器
- var http = require('http');
- http.get('xxx/getWxHis',
- function(res) { //这个地址是自己服务器上的一个程序,目的是为了获取到下一个链接地址,将地址放在一个js脚本中,将页面自动跳转到下一页。后文将介绍getWxHis.php的原理。
- res.on('data',
- function(chunk) {
- callback(chunk + serverResData); //将返回的代码插入到历史消息页面中,并返回显示出来
- })
- });
- } catch(e) {
- //console.log(e);
- callback(serverResData);
- }
- } else if (/mp\/profile_ext\?action=getmsg/i.test(req.url)) { //第二种页面表现形式的向下翻页后的json
- try {
- var json = JSON.parse(serverResData.toString());
- if (json.general_msg_list != []) {
- HttpPost(json.general_msg_list, req.url, "/xxx/showBiz"); //这个函数和上面的一样是后文定义的,将第二页历史消息的json发送到自己的服务器
- }
- } catch(e) {
- console.log(e);
- }
- callback(serverResData);
- } else if (/mp\/getappmsgext/i.test(req.url)) { //当链接地址为公众号文章阅读量和点赞量时
- try {
- HttpPost(serverResData, req.url, "/xxx/getMsgExt"); //函数是后文定义的,功能是将文章阅读量点赞量的json发送到服务器
- } catch(e) {
- }
- callback(serverResData);
- } else if (/s\?__biz/i.test(req.url) || /mp\/rumor/i.test(req.url)) { //当链接地址为公众号文章时(rumor这个地址是公众号文章被辟谣了)
- try {
- var http = require('http');
- http.get('http://xxx/getWxPost',
- function(res) { //这个地址是自己服务器上的另一个程序,目的是为了获取到下一个链接地址,将地址放在一个js脚本中,将页面自动跳转到下一页。后文将介绍getWxPost.php的原理。
- res.on('data',
- function(chunk) {
- callback(chunk + serverResData);
- })
- });
- } catch(e) {
- callback(serverResData);
- }
- } else {
- callback(serverResData);
- }
- //callback(serverResData);
- },
这里简单解释一下,微信公众号的历史消息页链接有两种形式:一种以 mp.weixin.qq.com/mp/getmasssendmsg 开头,另一种是 mp.weixin.qq.com/mp/profile_ext 开头。历史页是可以向下翻的,如果向下翻将触发js事件发送请求得到json数据(下一页内容)。还有公众号文章链接,以及文章的阅读量和点赞量的链接(返回的是json数据),这几种链接的形式是固定的可以通过逻辑判断来区分。这里有个问题就是历史页如果需要全部爬取到该怎么做到。我的思路是通过js去模拟鼠标向下滑动,从而触发提交加载下一部分列表的请求。或者直接利用anyproxy分析下滑加载的请求,直接向微信服务器发生这个请求。但都有一个问题就是如何判断已经没有余下数据了。我是爬取最新数据,暂时没这个需求,可能以后要。如果有需求的可以尝试一下。
下图是上文中的HttpPost方法内容。
- function HttpPost(str,url,path) {//将json发送到服务器,str为json内容,url为历史消息页面地址,path是接收程序的路径和文件名
- console.log("开始执行转发操作");
- try{
- var http = require('http');
- var data = {
- str: encodeURIComponent(str),
- url: encodeURIComponent(url)
- };
- data = require('querystring').stringify(data);
- var options = {
- method: "POST",
- host: "xxx",//注意没有http://,这是服务器的域名。
- port: xxx,
- path: path,//接收程序的路径和文件名
- headers: {
- 'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8',
- "Content-Length": data.length
- }
- };
- var req = http.request(options, function (res) {
- res.setEncoding('utf8');
- res.on('data', function (chunk) {
- console.log('BODY: ' + chunk);
- });
- });
- req.on('error', function (e) {
- console.log('problem with request: ' + e.message);
- });
- req.write(data);
- req.end();
- }catch(e){
- console.log("错误信息:"+e);
- }
- console.log("转发操作结束");
- }
做完以上工作,接下来就是按自己业务来完成服务端代码了,我们的服务用于接收代理服务器发过来的数据进行处理,进行持久化操作,同时向代理服务器发送需要注入到微信的js代码。针对代理服务器拦截到的几种不同链接发来的数据,我们就需要设计相应的方法来处理这些数据。从anyproxy处理微信数据的js方法replaceServerResDataAsync: function(req,res,serverResData,callback)中,我们可以知道至少需要对公众号历史页数据、公众号文章页数据、公众号文章点赞量和阅读量数据设计三种方法来处理。同时我们还需要设计一个方法来生成爬取任务,完成公众号的轮寻爬取。如果需要爬取更多数据,可以从anyproxy抓取到的链接中分析出更多需要的数据,然后往replaceServerResDataAsync: function(req,res,serverResData,callback)中添加判定,拦截到需要的数据发送到自己的服务器,相应的在服务端添加方法处理该类数据就行了。
我是用java写的服务端代码。
处理公众号历史页数据方法:
- public void getMsgJson(String str, String url) throws UnsupportedEncodingException {
- // TODO Auto-generated method stub
- String biz = "";
- Map < String,
- String > queryStrs = HttpUrlParser.parseUrl(url);
- if (queryStrs != null) {
- biz = queryStrs.get("__biz");
- biz = biz + "==";
- }
- /**
- * 从数据库中查询biz是否已经存在,如果不存在则插入,
- * 这代表着我们新添加了一个采集目标公众号。
- */
- List < WeiXin > results = weiXinMapper.selectByBiz(biz);
- if (results == null || results.size() == 0) {
- WeiXin weiXin = new WeiXin();
- weiXin.setBiz(biz);
- weiXin.setCollect(System.currentTimeMillis());
- weiXinMapper.insert(weiXin);
- }
- //System.out.println(str);
- //解析str变量
- List < Object > lists = JsonPath.read(str, "['list']");
- for (Object list: lists) {
- Object json = list;
- int type = JsonPath.read(json, "['comm_msg_info']['type']");
- if (type == 49) { //type=49表示是图文消息
- String content_url = JsonPath.read(json, "$.app_msg_ext_info.content_url");
- content_url = content_url.replace("\\", "").replaceAll("amp;", ""); //获得图文消息的链接地址
- int is_multi = JsonPath.read(json, "$.app_msg_ext_info.is_multi"); //是否是多图文消息
- Integer datetime = JsonPath.read(json, "$.comm_msg_info.datetime"); //图文消息发送时间
- /**
- * 在这里将图文消息链接地址插入到采集队列库tmplist中
- * (队列库将在后文介绍,主要目的是建立一个批量采集队列,
- * 另一个程序将根据队列安排下一个采集的公众号或者文章内容)
- */
- try {
- if (content_url != null && !"".equals(content_url)) {
- TmpList tmpList = new TmpList();
- tmpList.setContentUrl(content_url);
- tmpListMapper.insertSelective(tmpList);
- }
- } catch(Exception e) {
- System.out.println("队列已存在,不插入!");
- }
- /**
- * 在这里根据$content_url从数据库post中判断一下是否重复
- */
- List < Post > postList = postMapper.selectByContentUrl(content_url);
- boolean contentUrlExist = false;
- if (postList != null && postList.size() != 0) {
- contentUrlExist = true;
- }
- if (!contentUrlExist) { //'数据库post中不存在相同的$content_url'
- Integer fileid = JsonPath.read(json, "$.app_msg_ext_info.fileid"); //一个微信给的id
- String title = JsonPath.read(json, "$.app_msg_ext_info.title"); //文章标题
- String title_encode = URLEncoder.encode(title, "utf-8");
- String digest = JsonPath.read(json, "$.app_msg_ext_info.digest"); //文章摘要
- String source_url = JsonPath.read(json, "$.app_msg_ext_info.source_url"); //阅读原文的链接
- source_url = source_url.replace("\\", "");
- String cover = JsonPath.read(json, "$.app_msg_ext_info.cover"); //封面图片
- cover = cover.replace("\\", "");
- /**
- * 存入数据库
- */
- // System.out.println("头条标题:"+title);
- // System.out.println("微信ID:"+fileid);
- // System.out.println("文章摘要:"+digest);
- // System.out.println("阅读原文链接:"+source_url);
- // System.out.println("封面图片地址:"+cover);
- Post post = new Post();
- post.setBiz(biz);
- post.setTitle(title);
- post.setTitleEncode(title_encode);
- post.setFieldId(fileid);
- post.setDigest(digest);
- post.setSourceUrl(source_url);
- post.setCover(cover);
- post.setIsTop(1); //标记一下是头条内容
- post.setIsMulti(is_multi);
- post.setDatetime(datetime);
- post.setContentUrl(content_url);
- postMapper.insert(post);
- }
- if (is_multi == 1) { //如果是多图文消息
- List < Object > multiLists = JsonPath.read(json, "['app_msg_ext_info']['multi_app_msg_item_list']");
- for (Object multiList: multiLists) {
- Object multiJson = multiList;
- content_url = JsonPath.read(multiJson, "['content_url']").toString().replace("\\", "").replaceAll("amp;", ""); //图文消息链接地址
- /**
- * 这里再次根据$content_url判断一下数据库中是否重复以免出错
- */
- contentUrlExist = false;
- List < Post > posts = postMapper.selectByContentUrl(content_url);
- if (posts != null && posts.size() != 0) {
- contentUrlExist = true;
- }
- if (!contentUrlExist) { //'数据库中不存在相同的$content_url'
- /**
- * 在这里将图文消息链接地址插入到采集队列库中
- * (队列库将在后文介绍,主要目的是建立一个批量采集队列,
- * 另一个程序将根据队列安排下一个采集的公众号或者文章内容)
- */
- if (content_url != null && !"".equals(content_url)) {
- TmpList tmpListT = new TmpList();
- tmpListT.setContentUrl(content_url);
- tmpListMapper.insertSelective(tmpListT);
- }
- String title = JsonPath.read(multiJson, "$.title");
- String title_encode = URLEncoder.encode(title, "utf-8");
- Integer fileid = JsonPath.read(multiJson, "$.fileid");
- String digest = JsonPath.read(multiJson, "$.digest");
- String source_url = JsonPath.read(multiJson, "$.source_url");
- source_url = source_url.replace("\\", "");
- String cover = JsonPath.read(multiJson, "$.cover");
- cover = cover.replace("\\", "");
- // System.out.println("标题:"+title);
- // System.out.println("微信ID:"+fileid);
- // System.out.println("文章摘要:"+digest);
- // System.out.println("阅读原文链接:"+source_url);
- // System.out.println("封面图片地址:"+cover);
- Post post = new Post();
- post.setBiz(biz);
- post.setTitle(title);
- post.setTitleEncode(title_encode);
- post.setFieldId(fileid);
- post.setDigest(digest);
- post.setSourceUrl(source_url);
- post.setCover(cover);
- post.setIsTop(0); //标记一下不是头条内容
- post.setIsMulti(is_multi);
- post.setDatetime(datetime);
- post.setContentUrl(content_url);
- postMapper.insert(post);
- }
- }
- }
- }
- }
- }
处理公众号文章页的方法:
- public String getWxPost() {
- // TODO Auto-generated method stub
- /**
- * 当前页面为公众号文章页面时,读取这个程序
- * 首先删除采集队列表中load=1的行
- * 然后从队列表中按照“order by id asc”选择多行(注意这一行和上面的程序不一样)
- */
- tmpListMapper.deleteByLoad(1);
- List < TmpList > queues = tmpListMapper.selectMany(5);
- String url = "";
- if (queues != null && queues.size() != 0 && queues.size() > 1) {
- TmpList queue = queues.get(0);
- url = queue.getContentUrl();
- queue.setIsload(1);
- int result = tmpListMapper.updateByPrimaryKey(queue);
- System.out.println("update result:" + result);
- } else {
- System.out.println("getpost queues is null?" + queues == null ? null: queues.size());
- WeiXin weiXin = weiXinMapper.selectOne();
- String biz = weiXin.getBiz();
- if ((Math.random() > 0.5 ? 1 : 0) == 1) {
- url = "http://mp.weixin.qq.com/mp/getmasssendmsg?__biz=" + biz + "#wechat_webview_type=1&wechat_redirect"; //拼接公众号历史消息url地址(第一种页面形式)
- } else {
- url = "https://mp.weixin.qq.com/mp/profile_ext?action=home&__biz=" + biz + "#wechat_redirect"; //拼接公众号历史消息url地址(第二种页面形式)
- }
- url = "https://mp.weixin.qq.com/mp/profile_ext?action=home&__biz=" + biz + "#wechat_redirect"; //拼接公众号历史消息url地址(第二种页面形式)
- //更新刚才提到的公众号表中的采集时间time字段为当前时间戳。
- weiXin.setCollect(System.currentTimeMillis());
- int result = weiXinMapper.updateByPrimaryKey(weiXin);
- System.out.println("getPost weiXin updateResult:" + result);
- }
- int randomTime = new Random().nextInt(3) + 3;
- String jsCode = "<script>setTimeout(function(){window.location.href='" + url + "';}," + randomTime * 1000 + ");</script>";
- return jsCode;
- }
处理公众号点赞量和阅读量的方法:
- public void getMsgExt(String str, String url) {
- // TODO Auto-generated method stub
- String biz = "";
- String sn = "";
- Map < String,
- String > queryStrs = HttpUrlParser.parseUrl(url);
- if (queryStrs != null) {
- biz = queryStrs.get("__biz");
- biz = biz + "==";
- sn = queryStrs.get("sn");
- sn = "%" + sn + "%";
- }
- /**
- * $sql = "select * from `文章表` where `biz`='".$biz."'
- * and `content_url` like '%".$sn."%'" limit 0,1;
- * 根据biz和sn找到对应的文章
- */
- Post post = postMapper.selectByBizAndSn(biz, sn);
- if (post == null) {
- System.out.println("biz:" + biz);
- System.out.println("sn:" + sn);
- tmpListMapper.deleteByLoad(1);
- return;
- }
- // System.out.println("json数据:"+str);
- Integer read_num;
- Integer like_num;
- try {
- read_num = JsonPath.read(str, "['appmsgstat']['read_num']"); //阅读量
- like_num = JsonPath.read(str, "['appmsgstat']['like_num']"); //点赞量
- } catch(Exception e) {
- read_num = 123; //阅读量
- like_num = 321; //点赞量
- System.out.println("read_num:" + read_num);
- System.out.println("like_num:" + like_num);
- System.out.println(e.getMessage());
- }
- /**
- * 在这里同样根据sn在采集队列表中删除对应的文章,代表这篇文章可以移出采集队列了
- * $sql = "delete from `队列表` where `content_url` like '%".$sn."%'"
- */
- tmpListMapper.deleteBySn(sn);
- //然后将阅读量和点赞量更新到文章表中。
- post.setReadnum(read_num);
- post.setLikenum(like_num);
- postMapper.updateByPrimaryKey(post);
- }
处理跳转向微信注入js的方法:
- public String getWxHis() {
- String url = "";
- // TODO Auto-generated method stub
- /**
- * 当前页面为公众号历史消息时,读取这个程序
- * 在采集队列表中有一个load字段,当值等于1时代表正在被读取
- * 首先删除采集队列表中load=1的行
- * 然后从队列表中任意select一行
- */
- tmpListMapper.deleteByLoad(1);
- TmpList queue = tmpListMapper.selectRandomOne();
- System.out.println("queue is null?" + queue);
- if (queue == null) { //队列表为空
- /**
- * 队列表如果空了,就从存储公众号biz的表中取得一个biz,
- * 这里我在公众号表中设置了一个采集时间的time字段,按照正序排列之后,
- * 就得到时间戳最小的一个公众号记录,并取得它的biz
- */
- WeiXin weiXin = weiXinMapper.selectOne();
- String biz = weiXin.getBiz();
- url = "https://mp.weixin.qq.com/mp/profile_ext?action=home&__biz=" + biz + "#wechat_redirect"; //拼接公众号历史消息url地址(第二种页面形式)
- //更新刚才提到的公众号表中的采集时间time字段为当前时间戳。
- weiXin.setCollect(System.currentTimeMillis());
- int result = weiXinMapper.updateByPrimaryKey(weiXin);
- System.out.println("getHis weiXin updateResult:" + result);
- } else {
- //取得当前这一行的content_url字段
- url = queue.getContentUrl();
- //将load字段update为1
- tmpListMapper.updateByContentUrl(url);
- }
- //将下一个将要跳转的$url变成js脚本,由anyproxy注入到微信页面中。
- //echo "<script>setTimeout(function(){window.location.href='".$url."';},2000);</script>";
- int randomTime = new Random().nextInt(3) + 3;
- String jsCode = "<script>setTimeout(function(){window.location.href='" + url + "';}," + randomTime * 1000 + ");</script>";
- return jsCode;
- }
以上就是对处理代理服务器拦截到的数据进行处理的程序。这里有一个需要注意的问题,程序会对数据库中的每个收录的公众号进行轮循访问,甚至是已经存储的文章也会再次访问,目的是为了一直更新文章的阅读数和点赞数。如果需要抓取大量的公众号建议对添加任务队列的代码进行修改,添加条件限制,否则公众号一多 轮循抓取重复数据将十分影响效率。
至此就将微信公众号的文章链接全部爬取到,而且这个链接是永久有效而且可以在浏览器打开的链接,接下来就是写爬虫程序从数据库中拿链接爬取文章内容等信息了。
我是用webmagic写的爬虫,轻量好用。
- public class SpiderModel implements PageProcessor {
- private static PostMapper postMapper;
- private static List < Post > posts;
- // 抓取网站的相关配置,包括编码、抓取间隔、重试次数等
- private Site site = Site.me().setRetryTimes(3).setSleepTime(100);
- public Site getSite() {
- // TODO Auto-generated method stub
- return this.site;
- }
- public void process(Page page) {
- // TODO Auto-generated method stub
- Post post = posts.remove(0);
- String content = page.getHtml().xpath("//div[@id='js_content']").get();
- //存在和谐文章 此处做判定如果有直接删除记录或设置表示位表示文章被和谐
- if (content == null) {
- System.out.println("文章已和谐!");
- //postMapper.deleteByPrimaryKey(post.getId());
- return;
- }
- String contentSnap = content.replaceAll("data-src", "src").replaceAll("preview.html", "player.html"); //快照
- String contentTxt = HtmlToWord.stripHtml(content); //纯文本内容
- Selectable metaContent = page.getHtml().xpath("//div[@id='meta_content']");
- String pubTime = null;
- String wxname = null;
- String author = null;
- if (metaContent != null) {
- pubTime = metaContent.xpath("//em[@id='post-date']").get();
- if (pubTime != null) {
- pubTime = HtmlToWord.stripHtml(pubTime); //文章发布时间
- }
- wxname = metaContent.xpath("//a[@id='post-user']").get();
- if (wxname != null) {
- wxname = HtmlToWord.stripHtml(wxname); //公众号名称
- }
- author = metaContent.xpath("//em[@class='rich_media_meta rich_media_meta_text' and @id!='post-date']").get();
- if (author != null) {
- author = HtmlToWord.stripHtml(author); //文章作者
- }
- }
- // System.out.println("发布时间:"+pubTime);
- // System.out.println("公众号名称:"+wxname);
- // System.out.println("文章作者:"+author);
- String title = post.getTitle().replaceAll(" ", ""); //文章标题
- String digest = post.getDigest(); //文章摘要
- int likeNum = post.getLikenum(); //文章点赞数
- int readNum = post.getReadnum(); //文章阅读数
- String contentUrl = post.getContentUrl(); //文章链接
- WechatInfoBean wechatBean = new WechatInfoBean();
- wechatBean.setTitle(title);
- wechatBean.setContent(contentTxt); //纯文本内容
- wechatBean.setSourceCode(contentSnap); //快照
- wechatBean.setLikeCount(likeNum);
- wechatBean.setViewCount(readNum);
- wechatBean.setAbstractText(digest); //摘要
- wechatBean.setUrl(contentUrl);
- wechatBean.setPublishTime(pubTime);
- wechatBean.setSiteName(wxname); //站点名称 公众号名称
- wechatBean.setAuthor(author);
- wechatBean.setMediaType("微信公众号"); //来源媒体类型
- WechatStorage.saveWechatInfo(wechatBean);
- //标示文章已经被爬取
- post.setIsSpider(1);
- postMapper.updateByPrimaryKey(post);
- }
- public static void startSpider(List < Post > inposts, PostMapper myPostMapper, String...urls) {
- long startTime,
- endTime;
- startTime = System.currentTimeMillis();
- postMapper = myPostMapper;
- posts = inposts;
- HttpClientDownloader httpClientDownloader = new HttpClientDownloader();
- SpiderModel spiderModel = new SpiderModel();
- Spider mySpider = Spider.create(spiderModel).addUrl(urls);
- mySpider.setDownloader(httpClientDownloader);
- try {
- SpiderMonitor.instance().register(mySpider);
- mySpider.thread(1).run();
- } catch(JMException e) {
- e.printStackTrace();
- }
- endTime = System.currentTimeMillis();
- System.out.println("爬取时间" + ((endTime - startTime) / 1000) + "秒--");
- }
- }
其它的一些无关逻辑的存储数据代码就不贴了,这里我把代理服务器抓取到的数据存在了mysql,把自己的爬虫程序爬到的数据存储在了mongodb。
下面是自己爬取到的公众号号的信息:
来源: http://www.cnblogs.com/luojiangwen/p/7943696.html