| 如何爬取微信公众号文章（一） | 您所在的位置：网站首页 › 联通网络如何登录微信公众号 › 如何爬取微信公众号文章（一） |
如何爬取微信公众号文章（一）
|
微信公众号是目前最为流行的自媒体之一，上面有大量的内容，如何将自己感兴趣的公众号内容爬取下来，离线浏览，或者作进一步的分析呢？ 下面我们讨论一下微信公众号文章的爬取。 首先网页登陆微信公众平台(https://mp.weixin.qq.com/)，登陆成功后，点击新建群发->自建图文,插入超连接在如下的对话框中，点击选择其他公众号。 请求url: https://mp.weixin.qq.com/cgi-bin/searchbiz 方法: GET 提交的参数为 { "action": "search_biz", "begin": "0", "count": "5", "query": "地球知识局", "token": "138019412", "lang": "zh_CN", "f": "json", "ajax": "1" }请求中的字段 action 动作 begin 列表的起始 count 列表的数目 query 查询的字符串 f 参数格式 这里为json ajax 应该代码ajax请求 lang 语言 这里是中文 token 这应该是授权信息，下文会深究 得到的响应为 { "base_resp": { "ret": 0, "err_msg": "ok" }, "list": [ { "fakeid": "MzI1ODUzNjQ1Mw==", "nickname": "地球知识局", "alias": "diqiuzhishiju", "round_head_img": "http://mmbiz.qpic.cn/mmbiz_png/DCftNYRGoKWLHFETxuTzGBguTwAibl0p8BpXmNIkBTmNth2Vd6vEWibtT8mLYWG6e5aiaa97u5LmjhbXn19a8Cr6g/0?wx_fmt=png", "service_type": 1 }, { "fakeid": "MzU5MjI3MzIyMg==", "nickname": "地球知识局库", "alias": "", "round_head_img": "http://mmbiz.qpic.cn/mmbiz_png/b5kRqlMaRNHJnJ1ibFUPOichbvtVGk7CWicj406ZAccBuOpr2JibShHSAvUN7iaSuQj3rN66P8akeKa63rjy11NNkicw/0?wx_fmt=png", "service_type": 2 }, {}, {}, {} ], "total": 45 }响应中各字段的含义不难看出 fakeid 为该公众号的唯一的id，为一串bs64编码 nikename 为公众号的名称 alias 为别名 round_head_img 为圆形logo的url service_type 服务类型 不太清楚 没必要深究用不到 获取公众号文章列表请求网址:https://mp.weixin.qq.com/cgi-bin/appmsg 请求方法:GET 提交的参数： { "action": "list_ex", "begin": "0", "count": "5", "fakeid": "MzI1ODUzNjQ1Mw==", "type": "9", "query": "", "token": "138019412", "lang": "zh_CN", "f": "json", "ajax": "1" }action 行为 begin 列表开始索引 count 列表返回的公众号的时间区间长度，如5表示返回5天的数据 fakeid 这个公众号的ID type 不知道 query 检索的关键字，这里为空 token 用户的token lang 语言 f 数据格式,这里为json ajax 响应为 { "app_msg_cnt": 919, "app_msg_list": [ { "aid": "2247518136_1", "appmsgid": 2247518136, "cover": "https://mmbiz.qlogo.cn/mmbiz_jpg/DCftNYRGoKWG0USHVfs1FG2pGKfz0BMUI3FLibHTrYe1a7WMKzZnazCKDJ9OUfuibGbewFqIiakic8MEqDkNiaXHH7w/0?wx_fmt=jpeg", "create_time": 1578235906, "digest": "三不管地带容易出问题", "is_pay_subscribe": 0, "item_show_type": 0, "itemidx": 1, "link": "http://mp.weixin.qq.com/s?__biz=MzI1ODUzNjQ1Mw==&mid=2247518136&idx=1&sn=812ec79199ae793f28770287969d0f2b&chksm=ea0462d2dd73ebc40f6ecc4f1f52fb2a3e0c798ca152aa89cc42b8e77ef6e54234695ad43025#rd", "tagid": [], "title": "肆虐非洲的“博科圣地”究竟是什么？", "update_time": 1578235905 }, {}, {} ], "base_resp": { "err_msg": "ok", "ret": 0 } }响应的字段 app_msg_cnt 表示这个公众号已经发布了919次文章，不代表919篇文章 aid 文章唯一的id，应该是 appmsgid 代表一次群发，如三篇文章是一次性群发的，其appmsgid相同 cover 文章封面图片的url create_time 创建时间戳 digest 文章的摘要信息 is_pay_subscribe item_show_type itemidx 在这次群发中的序号 link 文章的url tagid 为一个列表 title 文章的标题 update_time 文章更新的时间戳 这些已经包含了一篇文章的元数据了。 token从哪儿来上面的GET方法提交的参数有中都有个token字段，这个字段的用途应该鉴权用的，这个值从哪儿来的？我们在前面的HTTP请求中找，发现几乎所有的请求中的都带有这个token，我猜测这个token是用户登陆时从后端返回来的。 为了印证这个判断，重新登陆一次，发现了有这样的一个HTTP请求。 请求网址:https://mp.weixin.qq.com/cgi-bin/bizlogin?action=login 请求方法:POST 表单数据: { "userlang": "zh_CN", "redirect_url": "", "token": "", "lang": "zh_CN", "f": "json", "ajax": "1" }响应： { "base_resp": { "err_msg": "ok", "ret": 0 }, "redirect_url": "/cgi-bin/home?t=home/index&lang=zh_CN&token=1193797244" }后端返回了一个重定向的uri，其中就包含了token的值。 完成这个请求后，页面进行了重定向，并且以后的每次请求都有会有lang=zh_CN&token=xxxx这两个参数。 代码实现完成了上面这些分析，下面我们进行代码实现。 # -*- coding:utf-8 -*- # written by wlj @2020-1-6 23:12:47 #功能：爬取一个公众号的所有历史文章存入数据库 #用法：python wx_spider.py [公众号名称] 如python wx_spider.py 地球知识局 import time import json import requests,re,sys from requests.packages import urllib3 from pymongo import MongoClient urllib3.disable_warnings() #全局变量 s = requests.Session() headers = { 'User-Agent':"Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:72.0) Gecko/20100101 Firefox/72.0", "Host": "mp.weixin.qq.com", 'Referer':'https://mp.weixin.qq.com/' } #cookies 字符串，这是从浏览器中拷贝出来的字符串,略过不讲 cookie_str = "xxxx" cookies = {} #加载cookies，将字符串格式的cookies转化为字典形式 def load_cookies(): global cookie_str,cookies for item in cookie_str.split(';'): sep_index = item.find('=') cookies[item[:sep_index]] =item[sep_index+1:] #爬虫主函数 def spider(): #本地的mongodb数据库 mongo = MongoClient('127.0.0.1',27017).wx.gzh #加载cookies load_cookies() #访问官网主页 url = 'https://mp.weixin.qq.com' res = s.get(url=url,headers=headers,cookies = cookies,verify=False) if res.status_code == 200: #由于加载了cookies，相当于已经登陆了，系统作了重定义，response的url中含有我们需要的token print(res.url) #获得token token = re.findall(r'.*?token=(\d+)',res.url) if token: token = token[0] else:#没有token的话，说明cookies过时了，没有登陆成功，退出程序 print('登陆失败') return print('token',token) #检索公众号 url = 'https://mp.weixin.qq.com/cgi-bin/searchbiz' data = { "action": "search_biz", "begin": "0", "count": "5", "query": sys.argv[1], "token": token, "lang": "zh_CN", "f": "json", "ajax": "1" } res = s.get(url=url,params = data,cookies=cookies,headers=headers,verify=False) if res.status_code == 200: #搜索结果的第一个往往是最准确的 #提取它的fakeid fakeid = res.json()['list'][0]['fakeid'] print('fakeid',fakeid) page_size = 5 page_count = 1 cur_page = 1 #分页请求文章列表 while cur_page 'aid':item['aid']}, {"$set":item}, upsert=True ) print(item['post_date'],item['title']) if cur_page == 1:#若是第1页，计算总的分页数 #总的日期数，每page_size天的文章为一页 app_msg_cnt = res.json()['app_msg_cnt'] print('app_msg_cnt',app_msg_cnt) #计算总的分页数 if app_msg_cnt % page_size == 0: page_count = int(app_msg_cnt / page_size) else: page_count = int(app_msg_cnt / page_size) + 1 #当前页面数+1 cur_page += 1 print('完成！') spider() 结果
可以看到，所有文章的元数据已经存入数据库了。 下一节，我们讲如何利用文章的url来爬取文章内容，这个比较简单。 这儿还存在一个问题，腾讯的这个接口有频率限制，当爬取的次数太多，频率太快时，就请求不到数据了，会返回这样的信息。 {'base_resp': {'err_msg': 'freq control', 'ret': 200013}}至少间隔一天，这个账号才能继续爬取，不知道如何破解。 |
在弹出的编辑超链接的对话框中，输入想要爬取的公众号名字，回车 
下拉列表中第一个就是我们想找的，点击它，弹出的这个公众号的文章列表，是按照时间排序的。 
我们看一下这个过程中前后端交互的HTTP请求和响应。
【本文地址】