微信公众号文章爬取方法汇总(下)

上一篇我们讲了如何获取一个公众号下面的文章，但是有时候只获取文章内容还是不够，还要得到文章的阅读数和点赞数。
公众号文章如果不在微信里面打开，页面是不会有阅读数、点赞数、评论的。微信应该是做了限制，翻遍了公众平台也没有找到获取阅读数的接口，没办法只能上抓包的工具分析了。
抓包工具有很多，windows系统一般使用Fiddler, mac 系统一般使用charles。这类工具教程都有很多了，就不做介绍了，自行google吧。今天来介绍一个新的抓包工具，它和其他抓包工具最大的不同就是它是可编程的，是一个可以灵活配置的代理服务器，同时还提供了一个web界面便于观察请求。它就是阿里巴巴基于 Node.js开发的一款开源代理服务器 —— AnyProxy。

处理流程

处理流程

可以看到，客户端与服务器的通信被anyproxy介入，通过rule.js 就可以修改客户端发送的数据和服务器返回的数据。
客户端与服务器通信的数据可以通过浏览器访问 http://127.0.0.1:8002 或者本机局域网ip的8002端口查看。

image

安装 AnyProxy

1. 安装node.js

brew install node

2. 安装AnyProxy

npm install -g anyproxy

3. 启动AnyProxy

anyproxy

代理HTTPS

微信数据接口是https的，而AnyProxy默认不对https请求做处理，要看到明文信息，需要配置CA证书。解析https请求的原理是中间人攻击（man-in-the-middle），用户必须信任AnyProxy生成的CA证书，才能进行后续流程。

1. 生成证书

# 生成rootCA证书，生成后需要手动信任
anyproxy-ca 

2. 安装证书
   找到上一步生成的证书，双击安装。

   
   
   

   安装证书

3. 信任证书
   找到刚刚导入的AnyProxy证书，配置为信任

   
   
   

   信任证书

4. 启动anyproxy

# 启动AnyProxy，并解析所有https请求
anyproxy --intercept

此时电脑端的https的相关配置就完了，下面来设置手机端。
首先让手机和电脑在同一个局域网，然后手机端访问 http://电脑端ip:8002/fetchCrtFile ，下载并安装根证书。

安装证书

除了上述证书安装过程，还需要在 设置->通用->关于本机->证书信任设置 中把AnyProxy证书的开关打开，否则safari将报错。

信任证书

配置代理：

设置 -> 无线局域网 -> 你连接的网络 -> 配置代理，选择手动，服务器填电脑端ip，端口填8001，保存就可以了。

代理设置

微信接口分析

要查看一个公众号的文章，可以进入每个公众号的历史消息页面，如果没有关注的话可以查看最近10篇，关注了就可以查看所有历史文章了。

历史文章列表获取

通过AnyProxy代理分析，点击历史消息按钮之后，微信是GET请求的 https://mp.weixin.qq.com/mp/profile_ext 接口，然后通过js渲染的界面，文章列表是保存在一个 msgList 变量中。

msgList

这个msgList里面有每一次推送文章的标题，作者、封面、url等信息，如果推送的是多条消息，会包含这个数据结构的multi_app_msg_item_list 字段里。通过正则获取这个字符串然后解析成json对象，大概是这样：

image

阅读数和点赞数获取

在微信中点击某一篇文章之后，微信是通过POST请求 https://mp.weixin.qq.com/mp/getappmsgext 接口获取到阅读数和点赞数等相关数据。

image

但是要请求这个接口除了需要cookie之后，需要一个关键参数appmsg_token

image

而这个参数又是通过GET请求 https://mp.weixin.qq.com/s 拿到，每篇文章的appmsg_token都是不一样的，所以要拿每篇文章的点赞数都需要先请求这个接口，然后从response中解析出appmsg_token。

image

rule.js

微信接口就分析到这里了，下面开始具体操作：

AnyProxy 提供了很多注入接口，常用的也就是 beforeSendRequest 和 beforeSendResponse ，这里我们不需要处理发送请求，只需要处理微信返回的数据就行。

image

parseHistoryPage方法里面，首先解析 msgList 字段，拿到每一篇文章的url，然后循环请求拿appmsg_token，最后根据这个参数获取阅读数和点赞数。请求接口的时候需要仔细分析各个参数，有些是从cookie取，有些是从url里面取，这些就没啥难度了。最终效果如下：

image

访问频次问题

微信对访问次数是有限制的，首先是封ip，访问越快封的越快。其次对每个微信号每天的请求次数也是有限制的，每秒发一次请求，大概测试下来是1500次请求左右。达到后就进不了公众号历史页面（禁24h），微信其他功能不影响。不清楚请求速度如果降下来次数是不是能增加。

上面是网友的测试结果，具体我没有验证过，只是提供个参考。

ok，抓取某个公众号文章并获取阅读数和点赞数的教程就完了，其实目前还是半自动，还得人工一个一个去点击公众号的历史消息页面，要想完全自动还得配合一些自动化工具，比如按键精灵或者appium这些。

以上这些教程都只作为学习交流使用，请不要拿去做坏事。