本文共 8065 字，大约阅读时间需要 26 分钟。

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。

环境搭建

• windows 7 x64
• python3.7 (Anaconda 3)
• vscode编辑器
• Firefox开发版

爬虫原理分析

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。

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。

检索公众号

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 timeimport jsonimport requests,re,sysfrom requests.packages import urllib3from pymongo import MongoClienturllib3.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 <= page_count:                url = 'https://mp.weixin.qq.com/cgi-bin/appmsg'                data = {
                       "action": "list_ex",                    "begin": str(page_size*(cur_page-1)),                    "count": str(page_size),                    "fakeid": fakeid,                    "type": "9",                    "query": "",                     "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:                    print(res.json())                    print('cur_page',cur_page)                    #文章列表位于app_msg_list字段中                    app_msg_list = res.json()['app_msg_list']                    for item in app_msg_list:                        #通过更新时间戳获得文章的发布日期                        item['post_date'] = time.strftime("%Y-%m-%d",time.localtime(int(item['update_time'])))                        #插入数据库，如果已经存在同aid的话，更新，不存在，插入                        mongo.update_one(                            {
   '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。

转载地址：http://xhqlf.baihongyu.com/