一个爬取微信公众号文章的爬虫。
零分贝是一家帮助中国5000万贫困人口与社会公益组织对接的公司。
我们通过国家和地方政府的“建档立卡”系统，获取到了一手的贫困户数据，目前有100万左右，总数为5000万，目前每个月都在增长。
为了帮助这部分贫困户对接公益机构，我写了这个微信爬虫，从微信公众号发布的文章中上找出最新的公益项目。
这种找项目的方式的可行性，我们还在试验中。
起初，为了快速上线，本爬虫的代码是基于我的另一个 通用爬虫项目 开发的，我也希望任何对本项目感兴趣的人联系我，与我一同改进这个项目。
联系方式：在本项目中新建一个issue留言。
1） 要爬取的微信公众号列表
2） 要爬取的文章关键字列表
3） 已经爬取的微信文章
4） 查看文章，并标记是否可用
5） 控制爬取进程数
1）python环境, 检查python的版本，是否为2.7.x，如果不是，安装2.7.6。
如果是centos 6.x，升级python2.6到python2.7，参考教程 http://ruiaylin.github.io/2014/12/12/python%20update/
如果是centos 7.x，默认就是python2.7,不用升级
如果是mac osx，可以使用virtualenv，安装python2.7
2）安装依赖包, clone代码 安装Mysql-python依赖
yum install python-devel mysql-devel gcc
安装lxml依赖
yum install libxslt-devel libxml2-devel
安装浏览器环境 selenium依赖.(如果是mac环境，仅需安装firefox， 但确保版本是 firefox 36.0，使用最新的版本会报错)
yum install xorg-x11-server-Xvfb
yum upgrade glib2 # 确保glib2版本大于2.42.2，否则firefox启动会报错
yum install firefox # centos下安装最新的firefox版本
clone代码,安装依赖python库
$ git clone https://github.com/bowenpay/wechat-spider.git
$ cd wechat-spider
$ pip install -r requirements.txt
- 创建mysql数据库
创建数据库wechatspider，默认采用utf8编码。（如果系统支持，可以采用utf8mb4，以兼容emoji字符）
mysql> CREATE DATABASE `wechatspider` CHARACTER SET utf8;
- 安装和运行Redis
$ wget http://download.redis.io/releases/redis-2.8.3.tar.gz
$ tar xzvf redis-2.8.3.tar.gz
$ cd redis-2.8.3
$ make
$ make install
$ redis-server- 更新配置文件local_settings
在 wechatspider 目录下,添加 local_settings.py 文件,配置如下:
# -*- coding: utf-8 -*-
SECRET_KEY="xxxxxx"
CRAWLER_DEBUG = True
# aliyun oss2, 可以将图片和视频存储到阿里云，也可以选择不存储，爬取速度会更快。 默认不存储。
#OSS2_ENABLE = True
#OSS2_CONFIG = {
# "ACCESS_KEY_ID": "XXXXXXXXXXXXXX",
# "ACCESS_KEY_SECRET": "YYYYYYYYYYYYYYYYYYYYYY",
# "ENDPOINT": "",
# "BUCKET_DOMAIN": "oss-cn-hangzhou.aliyuncs.com",
# "BUCKET_NAME": "XXXXX",
# "IMAGES_PATH": "images/",
# "VIDEOS_PATH": "videos/",
# "CDN_DOMAIN": "XXXXXX.oss-cn-hangzhou.aliyuncs.com"
#}
# mysql 数据库配置
DATABASES = {
'default': {
'ENGINE': 'django.db.backends.mysql',
'HOST': '127.0.0.1',
'NAME': 'wechatspider',
'USER': 'root',
'PASSWORD': '',
'OPTIONS':{
'charset': 'utf8mb4',
},
}
}
# redis配置,用于消息队列和k-v存储
REDIS_OPTIONS = {
'host': 'localhost',
'port': 6379,
'password': '',
'db': 4
}
- 初始化表
$ python manage.py migrate
7）启动网站
python manage.py runserver 0.0.0.0:8001
- 创建超级管理员账号,访问后台，并配置要爬取的公众号和关键字
python manage.py createsuperuser
8）启动爬虫
$ python bin/scheduler.py
$ python bin/downloader.py
$ python bin/extractor.py
$ python bin/processor.py以上步骤执行成功，并能爬取文章后。可以参考以下部分配置生产环境。
前期先用nginx将域名www.mydomain.com转发到8001端口。
参考文件 supervisord.conf
参考文件 crontab