python抓取网页数据(历史消息界面将屏幕向上滑动每次都可以加载10条历史)
优采云 发布时间: 2022-04-05 02:12python抓取网页数据(历史消息界面将屏幕向上滑动每次都可以加载10条历史)
在移动端安装证书并设置好IP代理后,点击一个微信公众号文章(这里使用这个公众号)
从图中可以看出,阅读、重看、点赞的url是./mp/getappmsgext(提示:如果没有这个链接,可以刷新右上角的文章角),然后再看一下request请求需要什么
你只需要一个 文章 url、user-agent、cookie 和 body,四个基本数据。别看下面正文中的 20 或 30 个数据,它们实际上很吓人。只需要其中的7个,即__biz、mid、idx、sn这四个参数是获取公众号文章内容的基石,可以在文章url获取。其他三个参数的数据分别固定is_only_read = 1, is_temp_url = 0, appmsg_type = 9。getappmsgext请求中的appmsg_token是一个时间敏感参数。
分析完链接就可以写代码了
import html
import requests
import utils
from urllib.parse import urlsplit
class Articles(object):
"""文章信息"""
def __init__(self, appmsg_token, cookie):
# 具有时效性
self.appmsg_token = appmsg_token
self.headers = {
"User-Agent": "Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0Chrome/57.0.2987.132 MQQBrowser/6.2 Mobile",
"Cookie": cookie
}
self.data = {
"is_only_read": "1",
"is_temp_url": "0",
"appmsg_type": "9",
}
def read_like_nums(self, article_url):
"""获取数据"""
appmsgstat = self.get_appmsgext(article_url)["appmsgstat"]
return appmsgstat["read_num"], appmsgstat["old_like_num"], appmsgstat["like_num"]
def get_params(self, article_url):
"""
获取到文章url上的请求参数
:param article_url: 文章 url
:return:
"""
# url转义处理
article_url = html.unescape(article_url)
"""获取文章链接的参数"""
url_params = utils.str_to_dict(urlsplit(article_url).query, "&", "=")
return url_params
def get_appmsgext(self, article_url):
"""
请求阅读数
:param article_url: 文章 url
:return:
"""
url_params = self.get_params(article_url)
appmsgext_url = "https://mp. weixin.qq.com/mp/getappmsgext?appmsg_token={}&x5=0".format(self.appmsg_token)
self.data.update(url_params)
appmsgext_json = requests.post(
appmsgext_url, headers=self.headers, data=self.data).json()
if "appmsgstat" not in appmsgext_json.keys():
raise Exception(appmsgext_json)
return appmsgext_json
if __name__ == '__main__':
info = Articles('1068_XQoMoGGBYG8Tf8k23jfdBr2H_LNekAAlDDUe2aG13TN2fer8xOSMyrLV6s-yWESt8qg5I2fJr1r9n5Y5', 'rewardsn=; wxtokenkey=777; wxuin=1681274216; devicetype=android-29; version=27001037; lang=zh_CN; pass_ticket=H9Osk2CMhrlH34mQ3w2PLv/RAVoiDxweAdyGh/Woa1qwGy2jGATJ6hhg7syTQ9nk; wap_sid2=COjq2KEGEnBPTHRVOHlYV2U4dnRqaWZqRXBqaWl3Xy1saXVWYllIVjAzdlM1VkNDNHgxeWpHOG9pckdkREMwTFEwYmNWMl9FZWtRU3pRRnhDS0pyV1BaZUVMWXN1ZWN0WnZ6aHFXdVBnbVhTY21BYnBSUXNCQUFBMLLAjfgFOA1AAQ==')
a, b,c = info.read_like_nums('http://mp. weixin.qq.com/s?__biz=MzU1NDk2MzQyNg==&mid=2247486254&idx=1&sn=c3a47f4bf72b1ca85c99190597e0c190&chksm=fbdad3a3ccad5ab55f6ef1f4d5b8f97887b4a344c67f9186d5802a209693de582aac6429a91c&scene=27#wechat_redirect')
print(a, b, c)
样本结果
# 阅读数 点赞数 再看数
1561 23 18
动态获取cookies和appmsg_token
appmsg_token 是一个时间敏感的参数,需要像 cookie 一样改变。当这两个参数过期时,需要从抓包工具(MitmProxy)到代码中ctrl+C和ctrl+V,非常麻烦。
MitmProxy 可以使用命令行界面 mitmdumvp 运行 Python 代码来监控抓取的链接。如果 /mp/getappmsgext 被捕获,它将被保存在本地文件中并退出捕获
mitmdump 命令
# -s 运行的python脚本, -w 将截取的内容保持到文件
mitmdump -s write_cookie.py -w outfile mp.weixin.qq.com/mp/getappmsgext
监控脚本
import urllib
import sys
from mitmproxy import http
# command: mitmdump -s write_cookie.py -w outfile mp.weixin.qq.com/mp/getappmsgext
class WriterCookie:
"""
mitmproxy的*敏*感*词*脚本,写入cookie和url到文件
"""
def __init__(self, outfile: str) -> None:
self.f = open(outfile, "w")
def response(self, flow: http.HTTPFlow) -> None:
"""
完整的response响应
:param flow: flow实例,
"""
# 获取url
url = urllib.parse.unquote(flow.request.url)
# 将url和cookie写入文件
if "mp. weixin.qq.com/mp/getappmsgext" in url:
self.f.write(url + '\n')
self.f.write(str(flow.request.cookies))
self.f.close()
# 退出
exit()
# 第四个命令中的参数
addons = [WriterCookie(sys.argv[4])]
监控脚本写好后,编写启动命令和解析url和cookie文件的模块
import re
import os
class ReadCookie(object):
"""
启动write_cookie.py 和 解析cookie文件,
"""
def __init__(self, outfile):
self.outfile = outfile
def parse_cookie(self):
"""
解析cookie
:return: appmsg_token, biz, cookie_str·
"""
f = open(self.outfile)
lines = f.readlines()
appmsg_token_string = re.findall("appmsg_token.+?&", lines[0])
biz_string = re.findall('__biz.+?&', lines[0])
appmsg_token = appmsg_token_string[0].split("=")[1][:-1]
biz = biz_string[0].split("__biz=")[1][:-1]
cookie_str = '; '.join(lines[1][15:-2].split('], [')).replace('\'','').replace(', ', '=')
return appmsg_token, biz, cookie_str
def write_cookie(self):
"""
启动 write_cookie。py
:return:
"""
#当前文件路径
path = os.path.split(os.path.realpath(__file__))[0]
# mitmdump -s 执行脚本 -w 保存到文件 本命令
command = "mitmdump -s {}/write_cookie.py -w {} mp.weixin.qq.com/mp/getappmsgext".format(
path, self.outfile)
os.system(command)
if __name__ == '__main__':
rc = ReadCookie('cookie.txt')
rc.write_cookie()
appmsg_token, biz, cookie_str = rc.parse_cookie()
print("appmsg_token:" + appmsg_token , "\nbiz:" + biz, "\ncookie:"+cookie_str)
样本结果
解析cookie.txt文件内容后
appmsg_token:1068_av3JWyDn2XCS2fwFj3ICCnwArRb2kU4Y5Y5m9Z9NkWoCOszl3a-YHFfBkAguUlYQJi2dWo83AQT4FsNK
biz:MzU1NDk2MzQyNg==
cookie:rewardsn=; wxtokenkey=777; wxuin=1681274216; devicetype=android-29; version=27001037; lang=zh_CN; pass_ticket=H9Osk2CMhrlH34mQ3w2PLv/RAVoiDxweAdyGh/Woa1qwGy2jGATJ6hhg7syTQ9nk; wap_sid2=COjq2KEGEnBPTHRVOHlYV2U4dnRqaWZqRXBqaWktTHpUSEJnTTdhU0hVZTEtZXpZZEY4a3lNY29zc0VZeEFvLS01YmJRRnQ5eFRmR2dOY29nUWdKSTRVWG13WE1obGs1blhQcVh0V18tRnBSRnVlc1VhOHNCQUFBMPeIjfgFOA1AAQ==
ReadCookie模块可以自动获取appmsg_token和cookies,作为参数传递给Articles模块,这样就可以解放双手,永远不用复制粘贴appmsg_token和cookies,只需要在appmsg_token过期时刷新公众号文章就是这样它,省心省时间
批量提取
在公众号历史消息界面向上滑动屏幕,每次可加载10条历史消息。盲目猜测,这个翻页就是批量抓取的请求链接。使用MitmProxy的WEBUI界面在Response面板中找到,找到一个为/mp /profile_ext?action=getmsg&__biz=MzU1NDk2MzQyNg==&f=json&offset=10&count=10…的链接,其response返回值有多个文章 headers,然后看这个链接有offset=10&count=10参数,一看就是页面偏移量和每页显示的bar条数,就这样
链接中比较重要的参数有:__biz、offset、pass_ticket、appmsg_token,这些数据可以在cookie和appmsg_token中获取。
# utils.py
# 工具模块,将字符串变成字典
def str_to_dict(s, join_symbol="\n", split_symbol=":"):
s_list = s.split(join_symbol)
data = dict()
for item in s_list:
item = item.strip()
if item:
k, v = item.split(split_symbol, 1)
data[k] = v.strip()
return data
import os
import requests
import json
import urllib3
import utils
class WxCrawler(object):
"""翻页内容抓取"""
urllib3.disable_warnings()
def __init__(self, appmsg_token, biz, cookie, begin_page_index = 0, end_page_index = 100):
# 起始页数
self.begin_page_index = begin_page_index
# 结束页数
self.end_page_index = end_page_index
# 抓了多少条了
self.num = 1
self.appmsg_token = appmsg_token
self.biz = biz
self.headers = {
"User-Agent": "Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0Chrome/57.0.2987.132 MQQBrowser/6.2 Mobile",
"Cookie": cookie
}
self.cookie = cookie
def article_list(self, context):
articles = json.loads(context).get('general_msg_list')
return json.loads(articles)
def run(self):
# 翻页地址
page_url = "https://mp. weixin.qq.com/mp/profile_ext?action=getmsg&__biz={}&f=json&offset={}&count=10&is_ok=1&scene=&uin=777&key=777&pass_ticket={}&wxtoken=&appmsg_token=" + self.appmsg_token + "&x5=0f=json"
# 将 cookie 字典化
wx_dict = utils.str_to_dict(self.cookie, join_symbol='; ', split_symbol='=')
# 请求地址
response = requests.get(page_url.format(self.biz, self.begin_page_index * 10, wx_dict['pass_ticket']), headers=self.headers, verify=False)
# 将文章列表字典化
articles = self.article_list(response.text)
for a in articles['list']:
# 公众号中主条
if 'app_msg_ext_info' in a.keys() and '' != a.get('app_msg_ext_info').get('content_url', ''):
print(str(self.num) + "条", a.get('app_msg_ext_info').get('title'), a.get('app_msg_ext_info').get('content_url'))
# 公众号中副条
if 'app_msg_ext_info' in a.keys():
for m in a.get('app_msg_ext_info').get('multi_app_msg_item_list', []):
print(str(self.num) + "条", m.get('title'), a.get('content_url'))
self.num = self.num + 1
self.is_exit_or_continue()
# 递归调用
self.run()
def is_exit_or_continue(self):
self.begin_page_index = self.begin_page_index + 1
if self.begin_page_index > self.end_page_index:
os.exit()
最后使用自动cookie启动程序并刷新公众号文章
from read_cookie import ReadCookie
from wxCrawler import WxCrawler
"""程序启动类"""ss
if __name__ == '__main__':
cookie = ReadCookie('E:/python/cookie.txt')
cookie.write_cookie()
appmsg_token, biz, cookie_str = cookie.parse_cookie()
wx = WxCrawler(appmsg_token, biz, cookie_str)
wx.run()
样本结果
总结
这篇文章虽然可能有点头条党,但是并没有完全自动抓取数据,需要人为刷新公众号文章。希望大家不要介意。