python如何使用pywinauto驱动微信客户端实现公众号爬虫

2023-06-15 04:06:49 326人浏览薄情痞子

Python 官方文档：入门教程 => 点击学习

摘要

这篇文章主要介绍了python如何使用pywinauto驱动微信客户端实现公众号爬虫，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。pywinauto简介pywinauto是一

这篇文章主要介绍了python如何使用pywinauto驱动微信客户端实现公众号爬虫，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。

pywinauto简介

pywinauto是一个Python的工具，可以用于控制windows的GUI程序。详细的文档可以参考这里。

WechatAutomator类

自动化微信的代码封装在了类WechatAutomator里，完整的代码可以参考这里。这里简要的介绍一下其中的主要方法：

init_window

这个方法完成类的初始化，它的代码为：

def init_window(self, exe_path=r"C:\Program Files (x86)\Tencent\WeChat\WeChat.exe",                    turn_page_interval=3,                    click_url_interval=1,                    win_width=1000,                    win_height=600):        app = Application(backend="uia").connect(path=exe_path)        self.main_win = app.window(title=u"微信", class_name="WeChatMainWndForpc")        self.main_win.set_focus()        self.app = app        self.visible_top = 70        self.turn_page_interval = turn_page_interval        self.click_url_interval = click_url_interval        self.browser = None        self.win_width = win_width        self.win_height = win_height        # 为了让移动窗口，同时使用非uia的backend，这是pywinauto的uia的一个bug        self.app2 = Application().connect(path=exe_path)        self.move_window()

我们首先来看函数的参数：

exe_path

微信程序的地址

turn_page_interval

抓取翻页时的时间间隔，默认3s

click_url_interval

在抓取一页的url时的间隔，默认1s

win_width

设置窗口的宽度

win_height

设置窗口的高度，如果显示器的分辨率较大，可以设置的更加高一些，从而一页包含的文章数更多一些，从而翻页少一点。注意：一定要保证窗口完全可见，也就是说win_height不能大于实际分辨率的高度！

这个函数的主要功能是构建Application对象从而通过pywinauto实现控制，这里使用的是uia的backend，然后设置窗口的大小并且把窗口移到最左上角。因为根据so文章，pywinauto 0.6.8存在bug，只能通过win32的backend来移到窗口，所以构造了self.app2然后调用move_window()函数把窗口移到最左上角。

crawl_Gongzhonghao

这个函数实现了某个公众号的文章抓取。它的基本控制逻辑如下：

首先通过搜索框根据名字搜索公众号并且点击它。
对于当前页点击所有的链接并且下载其内容。
使用PAGE_DOWN键往下翻页
需要判断是否继续抓取

第一个是通过locate_user函数实现，后面会介绍。第二个是通过process_page函数实现，后面也会介绍。判断是否继续抓取的逻辑为：

如果翻页超过max_pages，则停止抓取
如果碰到某个url曾经抓取过，那说明之前的文章都已经抓取过了，则停止抓取
如果lastest_date不是None并且一篇文章的发布日期早于它，则停止抓取

所以我们通常会在第一次抓取的时候把max_pages设置的很大(比如100)，然后通过latest_date来抓到指定的日期。而之后的抓取则设置max_pages为较小的值(比如默认的6)，这样只要爬虫在两次抓取之间公众号的更新不超过6页，那么就不会漏掉文章。具体的逻辑可以参考main.py，它会把抓取的文章通过Http请求发给Server，并且每次抓取的时候从Server查询抓取过的文章存放到states这个list里states[i][“url”]就存储了第i篇文章的url。

def crawl_gongzhonghao(self, account_name, articles, states, detail,                           max_pages=6, latest_date=None, no_item_retry=3):        logger.debug(account_name)        if not self.locate_user(account_name):            return False        last_visited_titles = set()        visited_urls = set()        self.turn_page_up(min(20, max_pages * 2))        pagedown_retry = 0        last_visited_titles = []        for page in range(0, max_pages):            items = []            last_visited_titles = self.process_page(account_name, items, last_visited_titles, states, visited_urls, detail)            articles.extend(items)            if len(items) == 0:                pagedown_retry += 1                if pagedown_retry >= no_item_retry:                    s = "break because of retry {}".fORMat(pagedown_retry)                    logger.debug(s)                    WechatAutomator.add_to_detail(s, detail)                    break            else:                pagedown_retry = 0            if len(items) > 0 and latest_date is not None:                html = items[-1][-1]                pub_date = WechatAutomator.get_pubdate(html)                if pub_date and pub_date < latest_date:                    s = "stop because {} < {}".format(pub_date, latest_date)                    logger.debug(s)                    WechatAutomator.add_to_detail(s, detail)                    break            url_exist = False            for item in items:                if WechatAutomator.url_in_states(item[0], states):                    s = "stop because url exist {}".format(item[0])                    logger.debug(s)                    WechatAutomator.add_to_detail(s, detail)                    url_exist = True                    break            if url_exist:                break            self.click_right()            self.main_win.type_keys("{PGDN}")            time.sleep(self.turn_page_interval)        self.turn_page_up(page * 2)        return True

locate_user

locate_user函数的控制流程为：

找到左上角的搜索框并且点击它获得焦点
使用ctrl+a选中可能有的文字(之前的bug?)并且使用后退键删除它们
输入公众号名称
在弹出的list里点击这个公众号名称从而进入公众号

def locate_user(self, user, retry=5):        if not self.main_win:            raise RuntimeError("you should call init_window first")        search_btn = self.main_win.child_window(title="搜索", control_type="Edit")        self.click_center(search_btn)        self.main_win.type_keys("^a")        self.main_win.type_keys("{BACKSPACE}")        self.main_win.type_keys(user)        for i in range(retry):            time.sleep(1)            try:                search_list = self.main_win.child_window(title="搜索结果")                match_result = search_list.child_window(title=user, control_type="ListItem")                self.click_center(match_result)                return True            except:                pass        return False

这里主要就是通过child_window函数进行定位，关于它的用法这里不介绍。关于怎么定位元素的方法可以使用Inspect.exe或者print_control_identifiers函数，具体参考这里。

process_page

这个函数是最主要的抓取代码，它处理当前一页的内容，它的控制流程如下：

构建当前页的tree
使用recursive_get函数遍历这颗树并且找到每篇文章对应的element
遍历每一篇文章

如果文章的名字在上一页出现过，则跳过
获得这篇文章的坐标信息
如果文章不可见(rect.top >= win_rect.bottom or rect.bottom <= self.visible_top)则跳过
计算点击的坐标
点击文章打开新的窗口
在新的窗口中点击【复制链接】按钮
从剪贴板复制链接url
通过url下载文章内容并且parse发布日期

逻辑比较简单，但是有一些很trick的地方：

微信翻页的实现

微信客户端的翻页和浏览器不同，它的内容是累加的，比如第一页3篇文章，往下翻一页可能变成6篇文章，再翻可能变成9篇。这个时候这9篇文章都是在tree中的，只不过最后3篇的坐标(top和bottom)是空间的。

能否点击一篇文章对应的框(图)可能是部分可见的，甚至它的top非常接近屏幕的最下方，这个时候可能点不了。如下图所示：

python如何使用pywinauto驱动微信客户端实现公众号爬虫

与此类似的是右上角的黑色头部(不能滚到并且会遮挡)也有一定空间，如下图所示：

python如何使用pywinauto驱动微信客户端实现公众号爬虫

点击的位置

因为这个框可能很窄(bottom-top很小)并且可能在很靠上或者靠下的位置。所以有如下代码：

# 计算可见的高度    visible_height = min(rect.bottom, win_rect.bottom) - max(rect.top, win_rect.top+self.visible_top)    # 太窄的不点击，希望下次翻页后能显示更多像素从而可以点击，    # 但是如果微信的某个文章的框的高度小于10个像素，那么这篇文章就无法被点击    # 不过作者目前为发现这么窄的文章    if visible_height < 10:        continue        # 如果某个文章的框太大，则抛出异常，目前为止为发现这样的问题。    if rect.bottom - rect.top >= win_rect.bottom - self.visible_top:        raise RuntimeError("{}-{}>={}-{}".format(rect.bottom, rect.top,                                                 win_rect.bottom, self.visible_top))    # 如果下部部分可见，那么点击上方是比较”安全“的    if rect.bottom >= win_rect.bottom:        click_up = True    # 如果下部完全可见，则点击下方是”安全“的    else:        click_up = False

完整代码如下：

def process_page(self, account_name, items, lastpage_clicked_titles, states, visited_urls, detail):        clicked_titles = set()        text = self.main_win.child_window(title=account_name, control_type="Text", found_index=0)        parent = text        while parent:            parent = parent.parent()            if '会话列表' == parent.element_info.name:                break        paths = [0, 2, 0, 0, 0, 1, 0]        for idx in paths:            parent = parent.children()[idx]        elems = []        self.recursive_get(parent, elems)        win_rect = self.main_win.rectangle()        for elem in elems:            rect = elem.rectangle()            if elem.element_info.name in lastpage_clicked_titles:                continue            if rect.top >= win_rect.bottom or rect.bottom <= self.visible_top:                continue            visible_height = min(rect.bottom, win_rect.bottom) - max(rect.top, win_rect.top+self.visible_top)            if visible_height < 10:                continue            if rect.bottom - rect.top >= win_rect.bottom - self.visible_top:                raise RuntimeError("{}-{}>={}-{}".format(rect.bottom, rect.top,                                                         win_rect.bottom, self.visible_top))            if rect.bottom >= win_rect.bottom:                click_up = True            else:                click_up = False            if self.is_bad_elem(elem):                s = "not good elem {}".format(elem.element_info.name[0:10])                logger.debug(s)                WechatAutomator.add_to_detail(s, detail)                continue            try:                self.click_url(rect, win_rect, click_up)                copy_btn = self.browser.child_window(title="复制链接地址")                self.click_center(copy_btn, click_main=False)                url = clipboard.GetData()                if elem.element_info.name != '图片':                    clicked_titles.add(elem.element_info.name)                if url and not url in visited_urls:                    visited_urls.add(url)                    html = None                    try:                        html = requests.get(url).text                    except:                        s = "fail get {}".format(url)                        logger.debug(s)                        WechatAutomator.add_to_detail(s, detail)                    items.append((url, rect, elem.element_info.name, html))            except:                traceback.print_exc()                pass            finally:                if self.browser:                    try:                        self.browser.close()                    except:                        pass                    self.browser = None            time.sleep(self.click_url_interval)        return clicked_titles