Python自动化爬取App数据

pananbaba 2019-06-07

展开全文

基本环境配置

版本：Python3

系统：Windows

需要安装：

1.JDK - Download JDK，Appium要求用户必须配置JAVA环境, 否则启动Seesion报错。

2.Appium - Download Appium, 安装过程请自行搜索。

3.Android SDK - Download SDK

4. Selenium - 建议使用低版本的Python Selenium库，在Chrome高版本可能会报错。例如：

pip3 install selenium==2.48.0

5. chromedriver.exe - Download Chromedriver, 确保版本要匹配, 然后将 .exe 程序放在'..Python\Python36\Scripts'目录下。

6. pymongo

pip3 install pymongo

7. MongoDB Server - Download MongoDB

爬取思路

爬取思路

模拟登录
抓取动态
保存数据

Android SDK的安装与配置

打开Android Studio, 选择'Configure->SDK Manager->Apperance&Behavior->System Settings->Android SDK', 选择对应安卓机版本的SDK，如图：

此外，还需要将SDK所在路径添加到系统环境变量中，否则报错。

Desired Capabilites 参数

分别是：platfornName, deviceName, appPackage, appActivity。前两个可通过如下命令获取, 前提是连接手机、打开USB调试：

adb devices -l

后两个参数请移步：获取appPackage和appActivity

开启安卓的' 开发者选项、USB调试 '

测试之前，确保打开开发者选项、USB调试。开发者模式确保调试程序在手机安装辅助软件：Unlock, Appium Settings；USB调试主要是利用Appium内置驱动打开APP。此外，要保持屏幕常亮。

5. 节点ID或XPATH值获取

安卓微信节点获取，相对比较容易获取，比如获取'登录'ID值，启动Session后只需点击屏幕左侧安卓屏的登录按钮，中间就会自动定位到所在节点，最右侧还会显示该节点的所有属性。如图：

对于文本输入框，只需要点击最右侧的'send text'即可。

'是否匹配通讯录'

这里选择'否', 理由：重新登录进入微信后会自动加载本地数据，耗时较长，如果匹配通讯录好友，增加耗时，可能在TIMEOUT时间内获取不到节点，导致程序终止。我这里选择了'是', 如图：

朋友圈信息获取思路

获取当前显示的朋友圈每条状态对应的区块元素，遍历每个区块元素，再获取内部显示的用户名、正文、发布时间，代码如下：

# items存储当前页面所有发布的朋友圈信息items = self.wait.until( EC.presence_of_all_elements_located( # 每个ej9节点对应一条朋友圈数据 (By.XPATH, '//*[@resource-id='com.tencent.mm:id/ej9']/android.widget.LinearLayout')))for item in items: try: # 昵称 nickname = item.find_element_by_id('com.tencent.mm:id/b5o').get_attribute('text') # 正文 content = item.find_element_by_id('com.tencent.mm:id/ejc').get_attribute('text') # 日期 date = item.find_element_by_id('com.tencent.mm:id/eec').get_attribute('text') # 处理日期 date = self.processor.date(date) data = { 'nickname': nickname, 'content': content, 'date': date, }

日期处理

日期处理的实现方式，代码如下：

class Processor(): def date(self, datetime): ''' 格式化时间 :param date: 原始时间 :return: 处理后时间 ''' if re.match('\d+分钟前', datetime): minute = re.match('(\d+)', datetime).group(1) datetime = time.strftime('%Y-%m-%d', time.localtime(time.time() - float(minute) * 60)) if re.match('\d+小时前', datetime): hour = re.match('(\d+)', datetime).group(1) datetime = time.strftime('%Y-%m-%d', time.localtime(time.time() - float(hour) * 60 * 60)) if re.match('昨天', datetime): datetime = time.strftime('%Y-%m-%d', time.localtime(time.time() - 24 * 60 * 60)) if re.match('\d+天前', datetime): day = re.match('(\d+)', datetime).group(1) datetime = time.strftime('%Y-%m-%d', time.localtime((time.time()) - float(day) * 24 * 60 * 60)) return datetime