搜狗微信爬虫案例

案例地址：https://weixin.sogou.com/weixin?

搜狗微信目前还是可以检索文章，具有一定的采集价值。

接口分析

先分析接口，普通的GET请求。

经过测试，发现主要对cookies中的两个参数进行校验，SNUID 和 SUV 。

SNUID 和 SUV 都是由服务端返回，在初次访问时即可获取。

一般情况下，频繁访问后会出现图文验证码，当完成验证之后，会返回一个新的ID，该ID即是SNUID。

而服务端对 SUV 的来源并没有过多校验，只要是真实的参数即可。

当大家可以生成 SNUID 和 SUV 时，就能畅通无阻的进行采集。

参数生成

SUV 相对简单，请求某些接口即可获取。

 SUV = dict_from_cookiejar(requests.get('https://pb.sogou.com/cl.gif?').cookies)['SUV']

SNUID 需要完成验证码校验。

验证码页面地址：https://www.sogou.com/antispider/?

验证接口：

关于本部分的具体实施，是先请求该页面，提取出验证码图片，在本地识别后通过验证接口提交，进行校验。

校验成功返回：{‘code’: 0, ‘msg’: ‘解封成功，正在为您跳转来源地址…’, ‘id’: ‘0ED9B76D171DC1A6E862079C1877D6B8’}

验证失败返回： {‘code’: 3, ‘msg’: ‘验证码输入错误, 请重新输入！’}

校验成功返回的id即是SNUID。

本部分代码过多，就不贴了。

链接转换

需要注意的是列表页中的链接并不是跳转后的链接，需要我们进行特殊处理。

我们请求列表页后，会返回一段script代码，可以发现该代码进行window.location的跳转工作。

那么把这段代码提取出来，通过execjs在本地执行，即可返回新的URL地址。

import execjs,rehtml = ''js='function s() {'+''.join(re.findall('\{.*?url.replace\("@", ""\);',html,re.S))+'return url}}'new_url = execjs.compile(js).call('s')print(new_url)

拿到weixin的链接后，即可进行采集。

备注

本案例难度并不高，需要大家仔细分析接口。

最终可以让采集程序在异常时获取新的cookies，达到一直运行的效果。

欢迎关注 《Pythonlx》 公众号，可获取群聊二维码！

原文地址：https://blog.csdn.net/weixin_43582101/article/details/123359110