querylist采集微信公众号文章(如下如下工具程序利用的是微信公众号 )

　　querylist采集微信公众号文章(如下如下工具程序利用的是微信公众号

)

　　为了实现爬虫我们需要使用以下工具

　　另外，这个爬虫程序使用了微信公众号后台编辑素材接口。原理是当我们插入超链接时，微信会调用一个特殊的API（见下图）来获取指定公众号的文章列表。因此，我们也需要有一个公众号。

　　

　　正式开始

　　我们需要登录微信公众号，点击素材管理，点击新建图文消息，然后点击上面的超链接。

　　

　　接下来，按 F12 打开 Chrome 的开发者工具并选择网络

　　

　　此时，在之前的超链接界面，点击“选择其他公众号”，输入你需要爬取的公众号（例如中国移动）

　　

　　这时候之前的Network会刷新一些链接，其中以“appmsg”开头的内容就是我们需要分析的

　　

　　我们解析请求的 URL

　　https://mp.weixin.qq.com/cgi-bin/appmsg?action=list_ex&begin=0&count=5&fakeid=MzI1MjU5MjMzNA==&type=9&query=&token=143406284&lang=zh_CN&f=json&ajax=1

　　它分为三个部分

　　通过不断浏览下一页，我们发现每次只有begin会改变，每次增加5，这就是count的值。

　　接下来我们使用Python获取同样的资源，但是直接运行下面的代码是无法获取资源的

　　import requests

url = "https://mp.weixin.qq.com/cgi-bin/appmsg?action=list_ex&begin=0&count=5&fakeid=MzI1MjU5MjMzNA==&type=9&query=&token=1957521839&lang=zh_CN&f=json&ajax=1"

requests.get(url).json()

# {'base_resp': {'ret': 200003, 'err_msg': 'invalid session'}}

　　之所以能在浏览器上获取资源，是因为我们登录了微信公众号后端。而Python没有我们的登录信息，所以请求无效。我们需要在requests中设置headers参数，传入Cookie和User-Agent来模拟登录

　　由于头信息的内容每次都会变化，我把这些内容放在一个单独的文件中，即“wechat.yaml”，信息如下

　　cookie: ua_id=wuzWM9FKE14...

user_agent: Mozilla/5.0...

　　只需要事后阅读

　　# 读取cookie和user_agent

import yaml

with open("wechat.yaml", "r") as file:

file_data = file.read()

config = yaml.safe_load(file_data)

headers = {

"Cookie": config['cookie'],

"User-Agent": config['user_agent']

}

requests.get(url, headers=headers, verify=False).json()

　　在返回的JSON中，我们可以看到每个文章的标题（title）、摘要（digest）、链接（link）、推送时间（update_time）和封面地址（cover）。

　　appmsgid 是每条推文的唯一标识符，aid 是每条推文的唯一标识符。

　　其实除了cookies，URL中的token参数也会用来限制爬虫，所以上面代码的输出很可能是{'base_resp': {'ret': 200040,'err_msg':'无效的 csrf 令牌'} }

　　然后我们写一个循环来获取文章的所有JSON并保存。

　　import json

import requests

import time

import random

import yaml

with open("wechat.yaml", "r") as file:

file_data = file.read()

config = yaml.safe_load(file_data)

headers = {

"Cookie": config['cookie'],

"User-Agent": config['user_agent']

}

# 请求参数

url = "https://mp.weixin.qq.com/cgi-bin/appmsg"

begin = "0"

params = {

"action": "list_ex",

"begin": begin,

"count": "5",

"fakeid": config['fakeid'],

"type": "9",

"token": config['token'],

"lang": "zh_CN",

"f": "json",

"ajax": "1"

}

# 存放结果

app_msg_list = []

# 在不知道公众号有多少文章的情况下，使用while语句

# 也方便重新运行时设置页数

i = 0

while True:

begin = i * 5

params["begin"] = str(begin)

# 随机暂停几秒，避免过快的请求导致过快的被查到

time.sleep(random.randint(1,10))

resp = requests.get(url, headers=headers, params = params, verify=False)

# 微信流量控制, 退出

if resp.json()['base_resp']['ret'] == 200013:

print("frequencey control, stop at {}".format(str(begin)))

break

# 如果返回的内容中为空则结束

if len(resp.json()['app_msg_list']) == 0:

print("all ariticle parsed")

break

app_msg_list.append(resp.json())

# 翻页

i += 1

　　在上面的代码中，我还在“wechat.yaml”文件中存储了fakeid和token。这是因为fakeid是每个公众号的唯一标识，token会经常变化，信息可以通过解析URL获取，也可以从开发者工具查看

　　

　　爬了一段时间后，会遇到以下问题

　　{'base_resp': {'err_msg': 'freq control', 'ret': 200013}}

　　此时，当你尝试在公众号后台插入超链接时，会遇到如下提示

　　

　　这是公众号的流量限制，一般需要30-60分钟才能继续。为了完美处理这个问题，你可能需要申请多个公众号，可能需要对抗微信公众号登录系统，或者你可能需要设置代理池。

　　但是我不需要工业级的爬虫，我只想爬取我自己的公众号信息，所以等了一个小时，再次登录公众号，获取cookie和token，运行。我不想用自己的兴趣挑战别人的工作。

　　最后，将结果保存为 JSON 格式。

　　# 保存结果为JSON

json_name = "mp_data_{}.json".format(str(begin))

with open(json_name, "w") as file:

file.write(json.dumps(app_msg_list, indent=2, ensure_ascii=False))

　　或者提取文章标识符、标题、URL、发布时间四列，保存为CSV。

　　info_list = []

for msg in app_msg_list:

if "app_msg_list" in msg:

for item in msg["app_msg_list"]:

info = '"{}","{}","{}","{}"'.format(str(item["aid"]), item['title'], item['link'], str(item['create_time']))

info_list.append(info)

# save as csv

with open("app_msg_list.csv", "w") as file:

file.writelines("n".join(info_list))