爬取到的data不是想要获取文章页面的源码，而是跳转到验证码的页面的源码。我网上查了一下是由于访问过于频繁导致的，我也加了time.sleep和改了请求头但还是显示不了，求大神支招，除了识别验证码的方式还能怎么做？？

import re

import urllib.request

import time

import urllib.error

headers = {'User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0'}

opener = urllib.request.build_opener()

opener.addheaders = [headers]

#设置一个列表listurl储存文章网址列表

listurl = []

#函数：使用代理IP

def use_proxy(proxy_addr,url):

    try:

        import urllib.request

        proxy = urllib.request.ProxyHandler({'http':proxy_addr})

        opener = urllib.request.build_opener(proxy,urllib.request.HTTPHandler)

        urllib.request.install_opener(opener)

        data = urllib.request.urlopen(url).read().decode('utf-8')

        return data

    except urllib.error.URLError as e:

        if hasattr(e,"code"):

            print(e.code)

        if hasattr(e,"e.reason"):

            print(e.reason)

        time.sleep(10)

    except Exception as e:

        print("expection:"+str(e))

        time.sleep(1)

#函数：获取所有文章的连接

def getlisturl(key,pagestart,pageend,proxy):

    try:

        #page = pagestart

        #编码关键词

        keycode = urllib.request.quote(key)

        #编码"&page"

        #pagecode = urllib.request.quote("&page")

        #循环爬取各页的文章链接

        for page in range(pagestart,pageend+1,1):

            #每次循环构建各页的url

            url = 'http://weixin.sogou.com/weixin?&type=2&ie=utf8&query='+keycode+"&&page="+str(page)

            #用换IP函数获得data

            data1 = use_proxy(proxy,url)

            time.sleep(1)

            #匹配的正则表达式

            pattern1 = '<div class="txt-box">.*?(http://.*?)"'

            listurl.append(re.compile(pattern1,re.S).findall(data1))

        print("共获取到"+str(len(listurl))+"页")#便于调试

        return listurl

    except urllib.error.URLError as e:

        if hasattr(e,"code"):

            print(e.code)

        if hasattr(e,"reason"):

            print(e.reason)

        #若为URLerror异常，延迟10s进行

        time.sleep(10)

    except Exception as e:

        print("exception:"+str(e))

        #若为Exception异常，延迟1s进行

        time.sleep(1)

#函数：通过链接获取对应的内容

def getcontent(listurl,proxy):

    i = 0

    #设置本地文件中的开始html编码

    html1 = '''<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtm11/DTD/xhtml1-transitional.dtd">

<html xmlns="http://www.w3.org/1999/xhtml"

<head>

<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />

<title>微信文章页面</title>

</head>

<body>'''

    with open("D:/WEB/1.html","wb")as f:

        f.write(html1.encode("utf-8"))

    #再次以追加写入的方式打开文件，以写入对应文章内容

    with open("D:/WEB/1.html","ab")as ff:

        #此时listurl为二维列表，形如listurl[][]，第一维存储信息跟第几页相关，第二维存的跟该页第几个文章链接相关

        for i in range(0,len(listurl)):

            for j in range(0,len(listurl[i])):

                try:

                    url = listurl[i][j]

                    #处理真实url，亦可观察对应网址的关系自行分析，采集网址比真实网址多了一串amp

                    url = url.replace("amp;","")

                    #使用代理去爬取对应网址的内容

                    data = use_proxy(proxy,url)

                    #文章标题正则表达式

                    titlepat = "<title>(.*?)</title>"

                    #文章内容正则表达式

                    contentpat = 'id="js_content">(.*?)id="js_sg_bar"'

                    #找到标题并赋给列表title

                    title = re.compile(titlepat).findall(data)

                    #找到内容并赋给列表content

                    content = re.compile(contentpat,re.S).findall(data)

                    #初始化标题与内容

                    thistitle = "此次没有获取到"

                    thiscontent= "此次没有获取到"

                    #如果标题列表不为空，说明找到了标题，取列表第0个元素，即此次标题赋给变量thistitle

                    if (title!=[]):

                        thistitle = title[0]

                    if (content!=[]):

                        thiscontent = content[0]

                    #将标题与内容汇总赋给变量dataall

                    dataall = '<p>标题为:'+thistitle+'</p><p>内容为：'+thiscontent+'</p><br>'

                    #将文章标题与内容写入对应文件

                    ff.write(dataall.encode("utf-8"))

                    print("第"+str(i)+"个网页第"+str(j)+"次处理")#便于调试

                except urllib.error.URLError as e:

                    if hasattr(e,"code"):

                        print(e.code)

                    if hasattr(e,"reason"):

                        print(e.reason)

                    time.sleep(10)

                except Exception as e:

                    print("exception:"+str(e))

                    time.sleep(1)

    html2 = '''</body>

</html>

    '''

    with open("D:/WEB/1.html","ab")as f:

        f.write(html2.encode("utf-8"))

#设置关键词

key = "物联网"

#设置代理服务器

proxy = "122.72.32.73:80"

#可以为getlisturl()与getcontent设置不同的代理服务器，此处没有启用该项设置

proxy2 = ""

#启示页

pagesatrt = 1

#爬取到哪页

pageend = 2

listurl = getlisturl(key,pagesatrt,pageend,proxy)

getcontent(listurl,proxy)

python 抓取搜狗微信出现的问题，求大神解决的更多相关文章

  1. 第三百三十节，web爬虫讲解2—urllib库爬虫—实战爬取搜狗微信公众号—抓包软件安装Fiddler4讲解

    第三百三十节,web爬虫讲解2—urllib库爬虫—实战爬取搜狗微信公众号—抓包软件安装Fiddler4讲解 封装模块 #!/usr/bin/env python # -*- coding: utf- ...

  2. 九 web爬虫讲解2—urllib库爬虫—实战爬取搜狗微信公众号—抓包软件安装Fiddler4讲解

    封装模块 #!/usr/bin/env python # -*- coding: utf-8 -*- import urllib from urllib import request import j ...

  3. requests利用selenium,代理Ip,云打码，验证码抠图操作 爬取搜狗微信公众号内容

    爬取思路,爬取搜狗微信公众号内容,爬取第一层url时请求太快出现验证码,我这里用的蘑菇云代理,并在程序中我判断什么情况下是否+代理,做到合理运用代理ip.爬取第二层url时验证码出现次数更严重(和第一 ...

  4. Python 抓取网页并提取信息(程序详解)

    最近因项目需要用到python处理网页,因此学习相关知识.下面程序使用python抓取网页并提取信息,具体内容如下: #---------------------------------------- ...

  5. 使用 Python 抓取欧洲足球联赛数据

    Web Scraping在大数据时代,一切都要用数据来说话,大数据处理的过程一般需要经过以下的几个步骤    数据的采集和获取    数据的清洗,抽取,变形和装载    数据的分析,探索和预测    ...

  6. python抓取性感尤物美女图

    由于是只用标准库,装了python3运行本代码就能下载到多多的美女图... 写出代码前面部分的时候,我意识到自己的函数设计错了,强忍继续把代码写完. 测试发现速度一般,200K左右的下载速度,也没有很 ...

  7. python抓取网页例子

    python抓取网页例子 最近在学习python,刚刚完成了一个网页抓取的例子,通过python抓取全世界所有的学校以及学院的数据,并存为xml文件.数据源是人人网. 因为刚学习python,写的代码 ...

  8. Python抓取页面中超链接(URL)的三中方法比较(HTMLParser、pyquery、正则表达式) <转>

    Python抓取页面中超链接(URL)的3中方法比较(HTMLParser.pyquery.正则表达式) HTMLParser版: #!/usr/bin/python # -*- coding: UT ...

  9. 如何用python抓取js生成的数据 - SegmentFault

    如何用python抓取js生成的数据 - SegmentFault 如何用python抓取js生成的数据 1赞 踩 收藏 想写一个爬虫,但是需要抓去的的数据是js生成的,在源代码里看不到,要怎么才能抓 ...

随机推荐

  1. Web API设计方法论--比较完整的web api 开发过程

    为Web设计.实现和维护API不仅仅是一项挑战:对很多公司来说,这是一项势在必行的任务.本系列将带领读者走过一段旅程,从为API确定业务用例到设计方法论,解决实现难题,并从长远的角度看待在Web上维护 ...

  2. python中的property

    提示:这篇博文参考了两个博客,第一篇博文地址为:https://www.cnblogs.com/Lambda721/p/6132206.html,另一篇博文地址如下:关于python的property ...

  3. 20145336 张子扬 《网络对抗技术》 web安全基础实践

    2014536 张子扬<网络攻防>Exp9 Web安全基础实践 实验准备 开启webgoat 1)开启webgoat,打开WebGoat: java -jar webgoat-contai ...

  4. bzoj 3223 文艺平衡树 - Splay

    3223: Tyvj 1729 文艺平衡树 Time Limit: 10 Sec  Memory Limit: 128 MBSubmit: 3884  Solved: 2235[Submit][Sta ...

  5. 使用Oracle执行计划分析SQL性能

    执行计划:一条查询语句在ORACLE中的执行过程或访问路径的描述.即就是对一个查询任务,做出一份怎样去完成任务的详细方案. 如果要分析某条SQL的性能问题,通常我们要先看SQL的执行计划,看看SQL的 ...

  6. windows10下cygwin安装神器apt-cyg

    一.背景 需要在cygwin下安装一些库 二.安装 2.1获取apt-cyg源码 git clone https://github.com/transcode-open/apt-cyg.git 2.2 ...

  7. 联合权值dp

    联合权值 洛谷中可找到 题目传送门https://www.luogu.org/problemnew/show/P1351 这题我就得了70分(TLE)  GG了 就是遍历它孩子的孩子(爷爷和孙子),然 ...

  8. 将DevExpress.Utils.ImageCollection变量的image导出

    private void tspBtnExportExcel_Click(object sender, EventArgs e) { //暂时用来导出图片 string filePath = Syst ...

  9. 【Streaming】30分钟概览Spark Streaming 实时计算

    本文主要介绍四个问题: 什么是Spark Streaming实时计算? Spark实时计算原理流程是什么? Spark 2.X下一代实时计算框架Structured Streaming Spark S ...

  10. requirejs概念