基于Spring Cloud的全自动化微信公众号消息采集系统

前言

由于公司业务需求，需要获取客户提供的微信公众号的历史文章并每天进行更新，三百多个公众号显然不能通过人工去每天查看，问题提交到了IT组。对于热爱爬虫的我肯定要盘他，之前做过搜狗的微信爬虫，后来一直致力于java web了，这个项目又重新燃起了我对爬虫的热爱，第一次使用spring cloud架构来做爬虫，历时二十多天，终于搞定。接下来，我将通过一系列文章来分享此次项目经历，并奉上源码供大家指正！

一、系统简介

本系统是基于Java开发，可通过简单配置公众号名称或微信号，实现定时或即时抓取微信公众号的文章（包括阅读量、点赞、在看）。

二、系统架构

技术架构

Spring Cloud、SpringBoot、Mybatis-Plus、Nacos、RocketMq、nginx

存储

Mysql、MongoDB、Redis、Solr

缓存

Redis

代理

Fiddler

三、系统优劣性

系统优点

1、配置完公众号后可通过Fiddler的JS注入功能和Websocket实现全自动抓取；
2、系统为分布式架构，具有高可用性；
3、RocketMq消息队列进行解耦，可解决网络抖动导致采集失败情况，若消费三次还未成功则将日志记录到mysql，确保文章的完整性；
4、可加入任意多个微信号提高采集效率和抵抗反爬限制；
5、Redis缓存了每个微信号24小时内采集记录，防止封号；
6、Nacos作为配置中心，可通过热配置实时调整采集频率；
7、将采集到的数据存储到Solr集群，提高检索速度；
8、将抓包返回的记录存储到MongoDB存档便于查看错误日志。

系统缺点：

1、通过真机真号采集消息，如果需要采集大量公众号的话需要有多个微信号作为支撑（若账号当日到了限制，可通过爬取微信公众平台接口获取消息）；
2、不是公众号一发文就能马上抓取到，采集时间是系统设定的，消息有一定的滞后（如果公众号不多微信号数量充足可通过提高采集频率优化）。

四、模块简介

由于之后要加入管理系统和API调用功能，提前对一些功能进行了封装。

common-ws-starter

公共模块：存放工具类和实体类等公共消息。

redis-ws-starter

Redis模块：对spring-boot-starter-data-redis的二次封装，对外暴露封装的Redis工具类和Redisson工具类。

rocketmq-ws-starter

RocketMq模块：对rocketmq-spring-boot-starter的二次封装，提供消费重试和记录失败日志功能。

db-ws-starter

mysql数据源模块：对mysql数据源进行封装，支持多数据源，自定义注解实现数据源动态切换。

sql-wx-spider

mysql数据库模块：提供了所有对mysql数据库操作的功能。

pc-wx-spider

PC端采集模块：包含PC端采集公众号历史消息相关功能。

java-wx-spider

Java提取模块：包含java程序提取文章内容相关功能。

mobile-wx-spider

模拟器采集模块：包含通过模拟器或手机端采集消息的互动量相关功能。

五、大体流程图

六、运行截图

PC和移动端

控制台

运行结束

总结

项目亲测可用现在已经在运行中，并且在项目开发中解决了微信的搜狗临时链接转永久链接问题，希望能对被相似业务困扰的老铁有所帮助。如今做java如逆水行舟，不进则退，不知什么时候就被卷了进去，祝愿每个人都有一本自己的葵花宝典，看到这还不给个支持吗。
直接附上java后端源码：ws-spider