文章采集系统(一个微信公众号历史消息页面的链接地址和采集方法)

　　文章采集系统(一个微信公众号历史消息页面的链接地址和采集方法)

　　2014年开始做微信公众号内容的批量采集，最初的目的是为了制作html5垃圾邮件网站。当时，垃圾站采集到达的微信公众号内容很容易在公众号传播。那个时候分批的采集特别好做，而采集的入口就是公众号的历史新闻页面。这个入口现在还是一样，只是越来越难采集。采集的方法也更新了很多版本。后来到了2015年，html5垃圾站就不做了。取而代之的是，采集的目标是针对本地新闻资讯公众号，将前端展示做成一个app。所以一个可以自动< @采集 公众号内容形成。曾经担心微信技术升级一天后，采集的内容不可用，我的新闻应用会失败。但是随着微信技术的不断升级，采集的方法也得到了升级，这让我越来越有信心。只要公众号历史消息页面存在，就可以批量采集查看内容。所以今天整理了一下，决定把采集这个方法写下来。我的方法来自于很多同事的分享精神，所以我会延续这种精神，分享我的成果。但是随着微信技术的不断升级，采集的方法也得到了升级，这让我越来越有信心。只要公众号历史消息页面存在，就可以批量采集查看内容。所以今天整理了一下，决定把采集这个方法写下来。我的方法来自于很多同事的分享精神，所以我会延续这种精神，分享我的成果。但是随着微信技术的不断升级，采集的方法也得到了升级，这让我越来越有信心。只要公众号历史消息页面存在，就可以批量采集查看内容。所以今天整理了一下，决定把采集这个方法写下来。我的方法来自于很多同事的分享精神，所以我会延续这种精神，分享我的成果。

　　本文文章会持续更新，保证您看到的内容在您看到时可用。

　　首先我们来看一个微信公众号历史消息页面的链接地址：

　　http://mp.weixin.qq.com/mp/getmasssendmsg?__biz=MjM5MzczNjY2NA==#wechat_webview_type=1&wechat_redirect

　　========2017 年 1 月 11 日更新 ==========

　　现在，根据不同的微信个人账号，会有两个不同的历史消息页面地址。以下是另一个历史消息页面的地址。第一种地址的链接在anyproxy中会显示302跳转：

　　https://mp.weixin.qq.com/mp/profile_ext?action=home&__biz=MzA3NDk5MjYzNg==&scene=124#wechat_redirect

　　第一个链接地址的页面样式：

　　

　　第二个链接地址的页面样式：

　　

　　根据目前掌握的信息，这两种页面格式在不同的微信账号中出现不规则。有的微信账号永远是第一页格式，有的永远是第二页格式。

　　上面的链接是微信公众号历史新闻页面的真实链接，但是当我们在浏览器中输入这个链接时，会显示：请从微信客户端访问。这是因为链接地址实际上需要几个参数才能正常显示内容。我们来看看一个完整的链接，可以正常显示内容的样子：

　　//第一种链接

http://mp.weixin.qq.com/mp/getmasssendmsg?__biz=MjM5NTM1NjczMw==&uin=NzM4MTk1ODgx&key=a226a081696afed0d9dfa0972fa431e116e5*敏*感*词*572ce52343178ad4e9a2b94aeaad6a*敏*感*词*dd87de3e56f72209a73a32e9cc2052f68aca4884e36cf726e99f2671630c741d8e4c29abe4a049d1a71eeb2be5&devicetype=android-17&version=2605033c&lang=zh_CN&nettype=WIFI&ascene=1&pass_ticket=zbA7PswOPKySRpyEYI5kDCjRiljxcpzdbTuVMauFGemgdp8R1DY1uQY49srehWab&wx_header=1

//第二种

http://mp.weixin.qq.com/mp/profile_ext?action=home&__biz=MzA3NDk5MjYzNg==&scene=124&uin=NzM4MTk1ODgx&key=5134ab1cc362a0324183dbd55a2680d11ccbaa34cdb349ee9be58f5b666092ddb17adf8a88dc788831923f3c6087547d651f04209f72334d511c9e118a3800d7b05a324a38903f79cff940cf749ecd5a&devicetype=android-17&version=2605033c&lang=zh_CN&nettype=WIFI&a8scene=3&pass_ticket=Fo3zjtJcbPfijNHKUIQbV%2BeHsAqhbjJCwzTfV48u%2FCZRRGTmI8oqmHDxxfEL8ke%2B&wx_header=1

　　该地址是通过微信客户端打开历史消息页面后，使用后面介绍的代理服务器软件获取的。有几个参数：

　　action=;__biz=;uin=;key=;devicetype=;version=;lang=;nettype=;scene=;pass_ticket=;wx_header=;

　　重要的参数是：__biz;uin=;key=;pass_ticket=; 这4个参数。

　　__biz 是公众号的类似id的参数。每个公众号都有一个微信。目前公众号的biz变动的可能性很小；

　　剩下的3个参数与用户的id和tokenticket的含义有关。这3个参数的值在微信客户端生成后会自动添加到地址栏。所以我们认为采集公众号必须通过微信客户端。在之前的微信版本中，这3个参数也可以一次性获取，在有效期内可以使用多个公众号。在当前版本中，每次访问公众号时都会更改参数值。

　　我现在使用的方法只需要关注__biz参数即可。

　　我的采集系统由以下部分组成：

　　1、 微信客户端：可以是安装了微信应用的手机，也可以是电脑中的安卓模拟器。在batch采集上测试的ios微信客户端崩溃率高于Android系统。为了降低成本，我使用了Android模拟器。

　　

　　2、一个微信个人号：采集的内容不仅需要一个微信客户端，还需要一个专用于采集的微信个人号，因为这个微信号不能做其他事情.

　　3、本地代理服务器系统：目前使用的方法是通过Anyproxy代理服务器将公众号历史消息页面中文章的列表发送到自己的服务器上。具体的安装方法后面会详细介绍。

　　4、文章列表分析入库系统：本人使用PHP语言编写，下篇文章将详细介绍如何分析文章列表并建立采集队列来实现批次采集内容。

　　步

　　一、 安装模拟器或使用手机安装微信客户端APP，申请微信个人账号并登录APP。这个我就不多介绍了，大家自己做。

　　二、代理服务器系统安装

　　目前我使用 Anyproxy，AnyProxy。这个软件的特点是可以获取https链接的内容。2016年初，微信公众号和微信文章开始使用https链接。而Anyproxy可以通过修改规则配置，在公众号页面插入脚本代码。下面将介绍安装和配置过程。

　　1、安装NodeJS

　　2、 在命令行或终端运行npm install -g anyproxy，mac系统需要添加sudo；

　　3、 生成RootCA，https需要这个证书：运行命令sudo anyproxy --root（windows可能不需要sudo）；

　　4、 启动 anyproxy 运行命令：sudo anyproxy -i; 参数-i表示解析HTTPS；

　　5、安装证书，在手机或者安卓模拟器安装证书：

　　6、 设置代理：安卓模拟器的代理服务器地址是wifi链接的网关。通过dhcp设置为static后就可以看到网关地址了。阅读后不要忘记将其设置为自动。手机中的代理服务器地址是运行anyproxy的电脑的ip地址。代理服务器默认端口为8001；

　　

　　现在打开微信，点击任意公众号历史消息或者文章，就可以看到在终端滚动的响应码。如果没有出现，请检查手机的代理设置是否正确。

　　

　　现在打开浏览器地址localhost:8002就可以看到anyproxy的web界面了。从微信点击打开历史消息页面，然后在浏览器的web界面查看历史消息页面的地址会滚动。

　　

　　/mp/getmasssendmsg开头的网址是微信历史消息页面。左边的小锁表示这个页面是 https 加密的。现在我们点击这一行；

　　========2017 年 1 月 11 日更新 ==========

　　一些以/mp/getmasssendmsg开头的微信网址会出现302跳转到/mp/profile_ext?action=home开头的地址。所以点击这个地址可以看到内容。

　　

　　如果右侧出现html文件的内容，则说明解密成功。如果没有内容，请检查anyproxy运行方式是否有参数i，是否生成了ca证书，是否在手机上正确安装了证书。

　　现在我们手机中的所有内容都可以明文通过代理服务器了。接下来，我们需要修改代理服务器的配置，以便获取公众号的内容。

　　一、找到配置文件：

　　mac系统中配置文件的位置是/usr/local/lib/node_modules/anyproxy/lib/；对于windows系统，不知道还请见谅。根据类似mac的文件夹地址应该可以找到这个目录。

　　二、修改文件rule_default.js

　　找到 replaceServerResDataAsync: function(req,res,serverResData,callback) 函数

　　修改函数内容（请详细阅读注释，这里只是介绍原理，理解后根据自己的情况修改内容）：

　　========2017 年 1 月 11 日更新 ==========

　　因为有两种页面格式，相同的页面格式总是显示在不同的微信账号中，但是为了兼容两种页面格式，下面的代码会保留两种页面格式的判断。您也可以使用自己的页面从表单中删除 li

　　replaceServerResDataAsync: function(req,res,serverResData,callback){

if(/mp\/getmasssendmsg/i.test(req.url)){//当链接地址为公众号历史消息页面时(第一种页面形式)

if(serverResData.toString() !== ""){

try {//防止报错退出程序

var reg = /msgList = (.*?);\r\n/;//定义历史消息正则匹配规则

var ret = reg.exec(serverResData.toString());//转换变量为string

HttpPost(ret[1],req.url,"getMsgJson.php");//这个函数是后文定义的，将匹配到的历史消息json发送到自己的服务器

var http = require('http');

http.get('http://xxx.com/getWxHis.php', function(res) {//这个地址是自己服务器上的一个程序，目的是为了获取到下一个链接地址，将地址放在一个js脚本中，将页面自动跳转到下一页。后文将介绍getWxHis.php的原理。

res.on('data', function(chunk){

callback(chunk+serverResData);//将返回的代码插入到历史消息页面中，并返回显示出来

})

});

}catch(e){//如果上面的正则没有匹配到，那么这个页面内容可能是公众号历史消息页面向下翻动的第二页，因为历史消息第一页是html格式的，第二页就是json格式的。

try {

var json = JSON.parse(serverResData.toString());

if (json.general_msg_list != []) {

HttpPost(json.general_msg_list,req.url,"getMsgJson.php");//这个函数和上面的一样是后文定义的，将第二页历史消息的json发送到自己的服务器

}

}catch(e){

console.log(e);//错误捕捉

}

callback(serverResData);//直接返回第二页json内容

}

}

}else if(/mp\/profile_ext\?action=home/i.test(req.url)){//当链接地址为公众号历史消息页面时(第二种页面形式)

try {

var reg = /var msgList = \'(.*?)\';\r\n/;//定义历史消息正则匹配规则（和第一种页面形式的正则不同）

var ret = reg.exec(serverResData.toString());//转换变量为string

HttpPost(ret[1],req.url,"getMsgJson.php");//这个函数是后文定义的，将匹配到的历史消息json发送到自己的服务器

var http = require('http');

http.get('http://xxx.com/getWxHis', function(res) {//这个地址是自己服务器上的一个程序，目的是为了获取到下一个链接地址，将地址放在一个js脚本中，将页面自动跳转到下一页。后文将介绍getWxHis.php的原理。

res.on('data', function(chunk){

callback(chunk+serverResData);//将返回的代码插入到历史消息页面中，并返回显示出来

})

});

}catch(e){

callback(serverResData);

}

}else if(/mp\/profile_ext\?action=getmsg/i.test(req.url)){//第二种页面表现形式的向下翻页后的json

try {

var json = JSON.parse(serverResData.toString());

if (json.general_msg_list != []) {

HttpPost(json.general_msg_list,req.url,"getMsgJson.php");//这个函数和上面的一样是后文定义的，将第二页历史消息的json发送到自己的服务器

}

}catch(e){

console.log(e);

}

callback(serverResData);

}else if(/mp\/getappmsgext/i.test(req.url)){//当链接地址为公众号文章阅读量和点赞量时

try {

HttpPost(serverResData,req.url,"getMsgExt.php");//函数是后文定义的，功能是将文章阅读量点赞量的json发送到服务器

}catch(e){

}

callback(serverResData);

}else if(/s\?__biz/i.test(req.url) || /mp\/rumor/i.test(req.url)){//当链接地址为公众号文章时（rumor这个地址是公众号文章被辟谣了）

try {

var http = require('http');

http.get('http://xxx.com/getWxPost.php', function(res) {//这个地址是自己服务器上的另一个程序，目的是为了获取到下一个链接地址，将地址放在一个js脚本中，将页面自动跳转到下一页。后文将介绍getWxPost.php的原理。

res.on('data', function(chunk){

callback(chunk+serverResData);

})

});

}catch(e){

callback(serverResData);

}

}else{

callback(serverResData);

}

},

　　上面的代码就是使用anyproxy修改了返回页面内容、向页面注入脚本、将页面内容发送到服务器的功能。利用这个原理批量处理采集公众号内容和阅读量。该脚本中自定义了一个函数，详细说明如下：

　　在 rule_default.js 文件的末尾添加以下代码：

　　function HttpPost(str,url,path) {//将json发送到服务器，str为json内容，url为历史消息页面地址，path是接收程序的路径和文件名

var http = require('http');

var data = {

str: encodeURIComponent(str),

url: encodeURIComponent(url)

};

content = require('querystring').stringify(data);

var options = {

method: "POST",

host: "www.xxx.com",//注意没有http://，这是服务器的域名。

port: 80,

path: path,//接收程序的路径和文件名

headers: {

'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8',

"Content-Length": content.length

}

};

var req = http.request(options, function (res) {

res.setEncoding('utf8');

res.on('data', function (chunk) {

console.log('BODY: ' + chunk);

});

});

req.on('error', function (e) {

console.log('problem with request: ' + e.message);

});

req.write(content);

req.end();

}

　　以上是规则修改的主要部分。您需要将json内容发送到您自己的服务器，并从服务器获取到下一页的跳转地址。这涉及到四个php文件：getMsgJson.php、getMsgExt.php、getWxHis.php、getWxPost.php

　　在详细介绍这4个php文件之前，为了提高采集系统性能，降低崩溃率，我们还可以做一些修改：

　　Android模拟器经常访问一些地址，会导致anyproxy崩溃，找到函数replaceRequestOption:function(req,option)，修改函数内容：

　　replaceRequestOption : function(req,option){

var newOption = option;

if(/google/i.test(newOption.headers.host)){

newOption.hostname = "www.baidu.com";

newOption.port = "80";

}

return newOption;

},

　　以上是对anyproxy规则文件的修改配置。配置修改完成后，重启anyproxy。在mac系统下，按control+c中断程序，然后输入命令sudo anyproxy -i启动；如果报错，程序可能无法干净退出，端口被占用。这时候输入命令ps -a查看占用的pid，然后输入命令“kill -9 pid”将pid替换为查询到的pid号。杀掉进程后，就可以启动anyproxy了。再次请原谅我不熟悉windows命令。

　　接下来详细介绍服务器端接收程序的设计原理：

　　（以下代码不能直接使用，只介绍原理，部分需要根据自己的服务器数据库框架编写）

　　1、getMsgJson.php：该程序负责接收历史消息的json，解析并存入数据库

<p>