如何使用 Python 爬取微信公眾號(hào)文章

發(fā)表時(shí)間：2020-11-3

發(fā)布人：葵宇科技

瀏覽次數(shù)：53

我比較喜歡看公眾號(hào)，有時(shí)遇到一個(gè)感興趣的公眾號(hào)時(shí)，都會(huì)感覺相逢恨晚，想一口氣看完所有歷史文章。但是微信的閱讀體驗(yàn)挺不好的，看歷史文章得一頁頁的往后翻，下一次再看時(shí)還得重復(fù)操作，很是麻煩。

于是便想著能不能把某個(gè)公眾號(hào)所有的文章都保存下來，這樣就很方便自己閱讀歷史文章了。

話不多說，下面我就介紹如何使用 Python 爬取微信公眾號(hào)所有文章的。

主要有以下步驟：

1 使用 Fiddler 抓取公眾號(hào)接口數(shù)據(jù)

2 使用 Python 腳本獲取公眾號(hào)所有歷史文章數(shù)據(jù)

3 保存歷史文章

Fiddler 抓包

Fiddler 是一款抓包工具，可以監(jiān)聽網(wǎng)絡(luò)通訊數(shù)據(jù)，開發(fā)測(cè)試過程中非常有用，這里不多做介紹。沒有使用過的可以查看這篇文章，很容易上手。

https://blog.csdn.net/jingjingshizhu/article/details/80566191

接下來，使用微信桌面客戶端，打開某個(gè)公眾號(hào)的歷史文章，這里以我的公眾號(hào)舉例，如下圖。

如果你的 fiddler 配置好了的話，能夠看到如下圖的數(shù)據(jù)。

圖中包含抓取的 url、一些重要的參數(shù)和我們想要的數(shù)據(jù)。

這些參數(shù)中，offset 控制著翻頁，其他參數(shù)在每一頁中都是固定不變的。

接口返回的數(shù)據(jù)結(jié)構(gòu)如下圖，其中 can_msg_continue 字段控制著能否翻頁，1 表示還有下一頁，0 表示沒有已經(jīng)是最后一頁了。 next_offset 字段就是下一次請(qǐng)求的 offset 參數(shù)。

構(gòu)造請(qǐng)求，獲取數(shù)據(jù)

接下來我們的目標(biāo)就是根據(jù) url 和一些參數(shù)，構(gòu)建請(qǐng)求，獲取標(biāo)題、文章 url 和日期等數(shù)據(jù)，保存數(shù)據(jù)。

保存數(shù)據(jù)一種是使用 pdfkit 將文章 url 保存為 pdf 文件；另一種是先保存 html 文件，然后將 html 制作成 chm 文件。

1 將文章 url 保存為 pdf 文件，關(guān)鍵代碼如下：

def parse(index, biz, uin, key):
    # url前綴
    url = "https://mp.weixin.qq.com/mp/profile_ext"
?
    # 請(qǐng)求頭
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 "
                      "Safari/537.36 MicroMessenger/6.5.2.501 NetType/WIFI WindowsWechat QBCore/3.43.901.400 "
                      "QQBrowser/9.0.2524.400",
    }
?
    proxies = {
        'https': None,
        'http': None,
    }
?
    # 重要參數(shù)
    param = {
        'action': 'getmsg',
        '__biz': biz,
        'f': 'json',
        'offset': index * 10,
        'count': '10',
        'is_ok': '1',
        'scene': '124',
        'uin': uin,
        'key': key,
        'wxtoken': '',
        'x5': '0',
    }
?
    # 發(fā)送請(qǐng)求，獲取響應(yīng)
    response = requests.get(url, headers=headers, params=param, proxies=proxies)
    response_dict = response.json()
?
    print(response_dict)
?
    next_offset = response_dict['next_offset']
    can_msg_continue = response_dict['can_msg_continue']
?
    general_msg_list = response_dict['general_msg_list']
    data_list = json.loads(general_msg_list)['list']
?
    # print(data_list)
?
    for data in data_list:
        try:
            # 文章發(fā)布時(shí)間
            datetime = data['comm_msg_info']['datetime']
            date = time.strftime('%Y-%m-%d', time.localtime(datetime))
?
            msg_info = data['app_msg_ext_info']
?
            # 文章標(biāo)題
            title = msg_info['title']
?
            # 文章鏈接
            url = msg_info['content_url']
?
            # 自己定義存儲(chǔ)路徑（絕對(duì)路徑）
            pdfkit.from_url(url, 'C:/Users/admin/Desktop/wechat_to_pdf/' + date + title + '.pdf')
?
            print(title + date + '成功')
?
        except:
            print("不是圖文消息")
?
    if can_msg_continue == 1:
        return True
    else:
        print('爬取完畢')
        return False

2 保存 html 文件，關(guān)鍵代碼如下

def parse(index, biz, uin, key):
?
    # url前綴
    url = "https://mp.weixin.qq.com/mp/profile_ext"
?
    # 請(qǐng)求頭
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 "
                      "Safari/537.36 MicroMessenger/6.5.2.501 NetType/WIFI WindowsWechat QBCore/3.43.901.400 "
                      "QQBrowser/9.0.2524.400",
    }
?
    proxies = {
        'https': None,
        'http': None,
    }
?
    # 重要參數(shù)
    param = {
        'action': 'getmsg',
        '__biz': biz,
        'f': 'json',
        'offset': index * 10,
        'count': '10',
        'is_ok': '1',
        'scene': '124',
        'uin': uin,
        'key': key,
        'wxtoken': '',
        'x5': '0',
    }
?
    # 發(fā)送請(qǐng)求，獲取響應(yīng)
    reponse = requests.get(url, headers=headers, params=param, proxies=proxies)
    reponse_dict = reponse.json()
?
    # print(reponse_dict)
    next_offset = reponse_dict['next_offset']
    can_msg_continue = reponse_dict['can_msg_continue']
?
    general_msg_list = reponse_dict['general_msg_list']
    data_list = json.loads(general_msg_list)['list']
?
    print(data_list)
?
    for data in data_list:
        try:
            datetime = data['comm_msg_info']['datetime']
            date = time.strftime('%Y-%m-%d', time.localtime(datetime))
?
            msg_info = data['app_msg_ext_info']
?
            # 標(biāo)題
            title = msg_info['title']
?
            # 內(nèi)容的url
            url = msg_info['content_url'].replace("\\", "").replace("http", "https")
            url = html.unescape(url)
            print(url)
?
            res = requests.get(url, headers=headers, proxies=proxies)
            with open('C:/Users/admin/Desktop/test/' + title + '.html', 'wb+') as f:
                f.write(res.content)
?
            print(title + date + '成功')
?
        except:
            print("不是圖文消息")
?
    if can_msg_continue == 1:
        return True
    else:
        print('全部獲取完畢')
        return False