文章内容采集(fiddler代理批量采集实现方法：anyproxy+js实现+webmagic)

　　文章内容采集(fiddler代理批量采集实现方法：anyproxy+js实现+webmagic)

　　微信公众号文章crawling 用python整理1.crawling

　　实现方法：通过微信提供的公众号文章调用接口，实现爬取公众号文章的功能

　　步骤：

　　1.需要安装python selenium模块包，使用selenium中的webdriver驱动浏览器获取cookie，达到登录效果；

　　2.使用webdriver功能需要安装浏览器对应的驱动插件。我在这里使用 Google Chrome 进行测试：

　　谷歌浏览器版本为 52.0.2743.6 ;

　　chromedriver 版本为：V2.23

　　注意：谷歌浏览器版本和chromedriver需要对应，否则启动时会报错。 【附：Selenium的chromedriver与chrome版本映射表（更新为v2.30)）】

　　3.微信公众号登录地址：

　　4.微信官方号文章界面地址可以在微信公众号后台新建图文消息，可以通过超链接功能获取：

　　5.搜索公众号

　　6.获取要爬取的公众号的fakeid

　　7.选择要爬取的公众号，获取文章接口地址

　　8.文章List翻页和内容获取

　　2.AnyProxy 代理批处理采集

　　实现方式：anyproxy+js

　　实现方式：anyproxy+java+webmagic

　　3.FiddlerCore

　　实现方式：抓包工具，Fiddler4

　　通过捕获和分析多个帐户，我们可以确定：

　　_biz:这个14位的字符串是每个公众号的“id”，搜狗的微信平台可以获得

uin:与访问者有关，微信号id

key:和所访问的公众号有关

　　步骤：

　　1.编写按钮向导脚本，自动点击手机公众号文章列表页，即“查看历史新闻”；

　　2、利用fiddler代理劫持​​手机访问，将URL转发到用php编写的本地网页；

　　3.将接收到的php网页上的URL备份到数据库中；

　　4、使用python从数据库中获取URL，然后进行正常爬取。

　　爬取过程中发现问题：

　　如果你只是想抓取文章内容，好像没有访问频率限制，但是如果你想抓取阅读数和点赞数，达到一定的频率后，返回的就会变成null值，我设置的时间间隔为10秒，可以正常爬取。在这个频率下，一个小时只能抓取360条记录，没有实际意义。

　　4.清博新榜

　　如果你只是想看数据，直接看日报就行了，不用花钱。如果需要连接自己的系统，他们也提供了api接口