解读:无需规则自动采集公众号文章的文本，提取出图片只是实现原理

　　解读:无需规则自动采集公众号文章的文本，提取出图片只是实现原理

　　无需规则自动采集公众号文章的文本，提取出图片只是实现原理，

　　目前就我了解，第三方爬虫都是伪模拟各种浏览器来爬取数据的。举个例子比如你在谷歌浏览器里打开一篇文章，你需要先借助fiddler抓包分析其请求头来判断爬取的网页内容是否正确。然后服务器接收请求之后就会把响应数据返回给客户端。那么，问题来了。如果这时候，你用爬虫爬到的是一个html文件，要怎么写爬虫呢？fiddler可以发现，html文件就一个头，fiddler会把所有的请求头信息都封装成一个xml文件，然后再通过另一个js文件来提取网页里的图片信息。

　　ps：就是把头信息封装成xml再交给js处理，这个xml和html的结构没有关系。比如你爬到头就是{{image}}那么python就会直接通过image.xmlelements包装所有的html元素，最后返回的xml文件就是一个xml文件，再把图片select起来就可以判断是否到图片。

　　有公司做了相关的接口，针对公众号文章，然后你只需要提供文章title，内容title，发布时间，关键词等数据，就可以返回一张图片，还有一个公众号的详细信息数据库。

　　公众号文章中的图片还是很有市场的，配合运营者的公众号，让粉丝更好的看到动态的文章信息。网上现在流行的组合策略：公众号提供的图片，需要匹配的组合关键词。比如，名称有教育类型，那么可以提供在教育类相关名称的图片，所以可以采集在教育类型的相关名称中的图片，