Python使用urllib2爬取搜狗微信搜索公众号文章

码头散步

发布时间：2026-10-13 | 5人浏览过

原创

本文介绍如何使用Python的urllib2库结合正则表达式，通过搜狗微信搜索接口爬取指定公众号的文章列表。教程涵盖从构建请求URL、解析HTML文本、提取JSON数据到拼接完整文章链接的完整流程，并提供可直接运行的代码示例，帮助开发者快速实现公众号文章抓取功能。

本文提供了一段使用Python爬取微信公众号文章的具体代码示例，供读者参考学习。

该方案基于urllib2库实现。首先需确保Python环境已正确安装，并配置好urllib2库。

程序入口函数负责获取公众号文章列表，其核心逻辑如下：

def openUrl():
  print("启动爬虫，打开搜狗搜索微信界面")
  # 加载页面
  url = 'http://weixin.sogou.com/weixin?type=1&s_from=input&query=要爬取的公众号名称'
  htmlContentObj = urllib2.urlopen(url)
  # 将页面转化为文本
  html = htmlContentObj.read()
  # 正则匹配
  str = re.findall(r"http://mp.weixin.qq.com/profile.+==",html)
  # 替换转义符得到可访问的链接地址
  tempHref = re.sub(r"&amp;","&",str[0])
  return tempHref

根据上一步获取到的文章列表页链接（注意区分列表页链接与具体文章页链接），将页面内容读取为文本字符串。

# 获取页面文本方法
def getHtmlStr(conurl):
  # 相当于把页面转化为文本
  response = urllib2.urlopen(conurl)
  # 读取文本的字符串
  htmlStr = response.read()
  return htmlStr

对读取到的文本进行解析，利用正则表达式匹配出公众号内文章的标题、链接地址等信息，并构建为JSON对象。

# 文本转换为所需要的json对象
def htmlToJsonObj(htmlStr):
  # 正则匹配并得到需要的json字符串
  jsonObjstr = re.findall(r"{\"list\":\[.+\]\}", htmlStr)
  # 字符串转json
  jsonObj = json.loads(jsonObjstr[len(jsonObjstr)-1])
  return jsonObj

从生成的JSON对象中提取title字段，并拼接完整的URL（此处仅获取链接和标题）。将这两个内容分别存入数组，最终以JSON对象形式返回。注意：拼接URL时需将转义符（&）替换为普通符号（&）。

# 从json对象中取出所需要的url
def jsonObjToArray(jsonObj):
  hrefs = []
  titles = []
  # url中的&在html中是&amp; ，故需要替换，下面为正则
  patten = re.compile(r"&amp;")
  # 数组
  arr = jsonObj["list"]
  # 循环添加
  for i in range(len(arr)):
    # 每次替换字符串
    fixHref = re.sub(patten,"&",arr[i]["app_msg_ext_info"]["content_url"])
    # 添加到数组
    titles.append(arr[i]["app_msg_ext_info"]["title"])
    hrefs.append("https://mp.weixin.qq.com"+fixHref)
  jsons = {"hrefs":hrefs,"titles":titles}
  return jsons
#打开浏览器，进行工作
def start():
  tempHref = openUrl()
  # 获取页面文本
  htmlStr = getHtmlStr(tempHref)
  # 文本转json对象
  jsonObj = htmlToJsonObj(htmlStr)
  # f返回所需要的url数组
  return jsonObjToArray(jsonObj)

最后，通过启动程序的主方法运行爬虫，并打印出抓取到的相关信息。

if __name__=='__main__': 
  try:
    hrefs = start()
    count = len(hrefs["hrefs"])
    for i in range(count):
      print("标题："+hrefs["titles"][i].encode("utf-8"))
      print("爬取到的路径："+hrefs["hrefs"][i].encode("utf-8"))
    print("------------->>爬取并打印完毕")
  except Exception as e:
    print(str(e))

运行上述代码前，需导入必要的Python包：