微信公众号是目前最为流行的自媒体之一，上面有大量的内容，如何将自己感兴趣的公众号内容爬取下来，离线浏览，或者作进一步的分析呢？
下面我们讨论一下微信公众号文章的爬取。
环境搭建
- windows 7 x64
- python3.7 (Anaconda 3)
- vscode编辑器
- Firefox开发版
爬虫原理分析
首先网页登陆微信公众平台(https://mp.weixin.qq.com/)，登陆成功后，点击新建群发->自建图文,插入超连接在如下的对话框中，点击选择其他公众号。
在弹出的编辑超链接的对话框中，输入想要爬取的公众号名字，回车
下拉列表中第一个就是我们想找的，点击它，弹出的这个公众号的文章列表，是按照时间排序的。
我们看一下这个过程中前后端交互的HTTP请求和响应。
检索公众号
请求url: https://mp.weixin.qq.com/cgi-bin/searchbiz
方法: GET
提交的参数为
{
"action": "search_biz",
"begin": "0",
"count": "5",
"query": "地球知识局",
"token": "138019412",
"lang": "zh_CN",
"f": "json",
"ajax": "1"
}
请求中的字段
action 动作
begin 列表的起始
count 列表的数目
query 查询的字符串
f 参数格式 这里为json
ajax 应该代码ajax请求
lang 语言 这里是中文
token 这应该是授权信息，下文会深究
得到的响应为
{
"base_resp": {
"ret": 0,
"err_msg": "ok"
},
"list": [
{
"fakeid": "MzI1ODUzNjQ1Mw==",
"nickname": "地球知识局",
"alias": "diqiuzhishiju",
"round_head_img": "http://mmbiz.qpic.cn/mmbiz_png/DCftNYRGoKWLHFETxuTzGBguTwAibl0p8BpXmNIkBTmNth2Vd6vEWibtT8mLYWG6e5aiaa97u5LmjhbXn19a8Cr6g/0?wx_fmt=png",
"service_type": 1
},
{
"fakeid": "MzU5MjI3MzIyMg==",
"nickname": "地球知识局库",
"alias": "",
"round_head_img": "http://mmbiz.qpic.cn/mmbiz_png/b5kRqlMaRNHJnJ1ibFUPOichbvtVGk7CWicj406ZAccBuOpr2JibShHSAvUN7iaSuQj3rN66P8akeKa63rjy11NNkicw/0?wx_fmt=png",
"service_type": 2
},
{},
{},
{}
],
"total": 45
}
响应中各字段的含义不难看出
fakeid 为该公众号的唯一的id，为一串bs64编码
nikename 为公众号的名称
alias 为别名
round_head_img 为圆形logo的url
service_type 服务类型 不太清楚 没必要深究用不到
获取公众号文章列表
请求网址:https://mp.weixin.qq.com/cgi-bin/appmsg
请求方法:GET
提交的参数：
{
"action": "list_ex",
"begin": "0",
"count": "5",
"fakeid": "MzI1ODUzNjQ1Mw==",
"type": "9",
"query": "",
"token": "138019412",
"lang": "zh_CN",
"f": "json",
"ajax": "1"
}
action 行为
begin 列表开始索引
count 列表返回的公众号的时间区间长度，如5表示返回5天的数据
fakeid 这个公众号的ID
type 不知道
query 检索的关键字，这里为空
token 用户的token
lang 语言
f 数据格式,这里为json
ajax
响应为
{
"app_msg_cnt": 919,
"app_msg_list": [
{
"aid": "2247518136_1",
"appmsgid": 2247518136,
"cover": "https://mmbiz.qlogo.cn/mmbiz_jpg/DCftNYRGoKWG0USHVfs1FG2pGKfz0BMUI3FLibHTrYe1a7WMKzZnazCKDJ9OUfuibGbewFqIiakic8MEqDkNiaXHH7w/0?wx_fmt=jpeg",
"create_time": 1578235906,
"digest": "三不管地带容易出问题",
"is_pay_subscribe": 0,
"item_show_type": 0,
"itemidx": 1,
"link": "http://mp.weixin.qq.com/s?__biz=MzI1ODUzNjQ1Mw==&mid=2247518136&idx=1&sn=812ec79199ae793f28770287969d0f2b&chksm=ea0462d2dd73ebc40f6ecc4f1f52fb2a3e0c798ca152aa89cc42b8e77ef6e54234695ad43025#rd",
"tagid": [],
"title": "肆虐非洲的“博科圣地”究竟是什么？",
"update_time": 1578235905
},
{},
{}
],
"base_resp": {
"err_msg": "ok",
"ret": 0
}
}
响应的字段
app_msg_cnt 表示这个公众号已经发布了919次文章，不代表919篇文章
aid 文章唯一的id，应该是
appmsgid 代表一次群发，如三篇文章是一次性群发的，其appmsgid相同
cover 文章封面图片的url
create_time 创建时间戳
digest 文章的摘要信息
is_pay_subscribe
item_show_type
itemidx 在这次群发中的序号
link 文章的url
tagid 为一个列表
title 文章的标题
update_time 文章更新的时间戳
这些已经包含了一篇文章的元数据了。
token从哪儿来
上面的GET方法提交的参数有中都有个token字段，这个字段的用途应该鉴权用的，这个值从哪儿来的？我们在前面的HTTP请求中找，发现几乎所有的请求中的都带有这个token，我猜测这个token是用户登陆时从后端返回来的。
为了印证这个判断，重新登陆一次，发现了有这样的一个HTTP请求。
请求网址:https://mp.weixin.qq.com/cgi-bin/bizlogin?action=login
请求方法:POST
表单数据:
{
"userlang": "zh_CN",
"redirect_url": "",
"token": "",
"lang": "zh_CN",
"f": "json",
"ajax": "1"
}
响应：
{
"base_resp": {
"err_msg": "ok",
"ret": 0
},
"redirect_url": "/cgi-bin/home?t=home/index&lang=zh_CN&token=1193797244"
}
后端返回了一个重定向的uri，其中就包含了token的值。
完成这个请求后，页面进行了重定向，并且以后的每次请求都有会有lang=zh_CN&token=xxxx这两个参数。
代码实现
完成了上面这些分析，下面我们进行代码实现。
# -*- coding:utf-8 -*-
# written by wlj @2020-1-6 23:12:47
#功能：爬取一个公众号的所有历史文章存入数据库
#用法：python wx_spider.py [公众号名称] 如python wx_spider.py 地球知识局
import time
import json
import requests,re,sys
from requests.packages import urllib3
from pymongo import MongoClient
urllib3.disable_warnings()
#全局变量
s = requests.Session()
headers = {
'User-Agent':"Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:72.0) Gecko/20100101 Firefox/72.0",
"Host": "mp.weixin.qq.com",
'Referer':'https://mp.weixin.qq.com/'
}
#cookies 字符串，这是从浏览器中拷贝出来的字符串,略过不讲
cookie_str = "xxxx"
cookies = {}
#加载cookies，将字符串格式的cookies转化为字典形式
def load_cookies():
global cookie_str,cookies
for item in cookie_str.split(';'):
sep_index = item.find('=')
cookies[item[:sep_index]] =item[sep_index+1:]
#爬虫主函数
def spider():
#本地的mongodb数据库
mongo = MongoClient('127.0.0.1',27017).wx.gzh
#加载cookies
load_cookies()
#访问官网主页
url = 'https://mp.weixin.qq.com'
res = s.get(url=url,headers=headers,cookies = cookies,verify=False)
if res.status_code == 200:
#由于加载了cookies，相当于已经登陆了，系统作了重定义，response的url中含有我们需要的token
print(res.url)
#获得token
token = re.findall(r'.*?token=(\d+)',res.url)
if token:
token = token[0]
else:#没有token的话，说明cookies过时了，没有登陆成功，退出程序
print('登陆失败')
return
print('token',token)
#检索公众号
url = 'https://mp.weixin.qq.com/cgi-bin/searchbiz'
data = {
"action": "search_biz",
"begin": "0",
"count": "5",
"query": sys.argv[1],
"token": token,
"lang": "zh_CN",
"f": "json",
"ajax": "1"
}
res = s.get(url=url,params = data,cookies=cookies,headers=headers,verify=False)
if res.status_code == 200:
#搜索结果的第一个往往是最准确的
#提取它的fakeid
fakeid = res.json()['list'][0]['fakeid']
print('fakeid',fakeid)
page_size = 5
page_count = 1
cur_page = 1
#分页请求文章列表
while cur_page <= page_count:
url = 'https://mp.weixin.qq.com/cgi-bin/appmsg'
data = {
"action": "list_ex",
"begin": str(page_size*(cur_page-1)),
"count": str(page_size),
"fakeid": fakeid,
"type": "9",
"query": "",
"token": token,
"lang": "zh_CN",
"f": "json",
"ajax": "1"
}
res = s.get(url=url,params = data,cookies=cookies,headers=headers,verify=False)
if res.status_code == 200:
print(res.json())
print('cur_page',cur_page)
#文章列表位于app_msg_list字段中
app_msg_list = res.json()['app_msg_list']
for item in app_msg_list:
#通过更新时间戳获得文章的发布日期
item['post_date'] = time.strftime("%Y-%m-%d",time.localtime(int(item['update_time'])))
#插入数据库，如果已经存在同aid的话，更新，不存在，插入
mongo.update_one(
{'aid':item['aid']},
{"$set":item},
upsert=True
)
print(item['post_date'],item['title'])
if cur_page == 1:#若是第1页，计算总的分页数
#总的日期数，每page_size天的文章为一页
app_msg_cnt = res.json()['app_msg_cnt']
print('app_msg_cnt',app_msg_cnt)
#计算总的分页数
if app_msg_cnt % page_size == 0:
page_count = int(app_msg_cnt / page_size)
else:
page_count = int(app_msg_cnt / page_size) + 1
#当前页面数+1
cur_page += 1
print('完成！')
spider()
结果
可以看到，所有文章的元数据已经存入数据库了。
下一节，我们讲如何利用文章的url来爬取文章内容，这个比较简单。
这儿还存在一个问题，腾讯的这个接口有频率限制，当爬取的次数太多，频率太快时，就请求不到数据了，会返回这样的信息。
{'base_resp': {'err_msg': 'freq control', 'ret': 200013}}
至少间隔一天，这个账号才能继续爬取，不知道如何破解。