python3下载公众号历史文章

最近担心一直关注的公众号的文章突然失踪，心心念念的文章一定要拽住自己手中才好。于是找了各种办法，其实网上有代理采集的，想想为了长久之计还是自己研究一个办法出来。

于是百度谷歌必应各种搜索引擎上手，第一次爬虫经历就这样花生了~~~

好吧，其实也完全是照抄，感谢大神！

还没有安装python可以先下载一个anoconda3：https://www.anaconda.com/

1.终端加载python selenium模块包

加载包

2.使用webdriver功能需要安装对应浏览器的驱动插件，我用的是谷歌浏览器。安装和浏览器版本对应的webdriver版本，解压后记下 chromedriver.exe 路径。对应版本查询和下载链接：http://blog.csdn.net/huilan_same/article/details/51896672
3.注册自己的公众号：微信公众号登陆地址：https://mp.weixin.qq.com/
4.参考：
我照抄代码的那位大神：https://blog.csdn.net/d1240673769/article/details/75907152
崔庆才原文（另有探究代码过程视频）：https://mp.weixin.qq.com/s?__biz=MzI5NDY1MjQzNA==&mid=2247483970&idx=1&sn=cde40462d2346ded8e8c11ab4442bbab&chksm=ec5edd3fdb2954299e5b4736b3729014d4853e50e643de06640ba3af370753db069667511db1&mpshare=1&scene=1&srcid=0612suzxGJXTmoak9i81rRSZ&pass_ticket=YsJz0pUrK8Yj6XuoyHfGbfjFAgRZ9wHQMTLCnfaYLlQGaOXangzh2LWgrfB8lf76#rd
6.我的webdriver不知道是版本没对上还是什么原因，不能实现自动输入，注释掉，手动输入解决。
7.原文保存的是文章标题和链接，我需要保存到本地。用过两种方法，一个是生成pdf格式，一个是保存为html格式。
（1）保存为html格式，终端加载pip install urllib,然后
import urllib.request
使用：urllib.request.urlretrieve('www.taobao.com','taobao.html')
（2）生成pdf较为复杂一些，不过有此方法，以后如果有需要，保存网址为pdf也方便许多。不过这方面的需求用印象笔记的浏览器插件已经相当满足了。
pip intall pdfkit
pip install requests
pip install beautifulsoup4
安装 wkhtmltopdf，Windows平台直接在 http://wkhtmltopdf.org/downloads.html 下载稳定版的 wkhtmltopdf 进行安装，安装完成之后把该程序的执行路径加入到系统环境 $PATH 变量中，否则 pdfkit 找不到 wkhtmltopdf 就出现错误 “No wkhtmltopdf executable found”
方便使用，自己写了一个简单的模块：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

'a html to pdf model'
'''
使用示例：python htmltopdf_dl.py www.taobao.com baidu.pdf
'''
_author_ = 'dengling'

import pdfkit
import sys

def htmltopdf_dl():
    ags = sys.argv
    pdfkit.from_url(ags[1],ags[2])

if __name__ =='__main__':
    htmltopdf_dl()

8.缺点：（1）用这个方法只在一个安静平和的夜晚奇妙地爬完了所有的文章。其余时候再也没有完整的爬取过所有的链接了。（2）因为保存本地html时参数识别标题的特殊符号比如''时会出错，所以不能一下子全转换过来。（3）图片不能一起保存下来。

完整代码：

# -*- coding: utf-8 -*-

from selenium import webdriver
import time
import json
import requests
import re
import random

#微信公众号账号
user="你的账户"
#公众号密码
password="你的密码"
#设置要爬取的公众号列表
gzlist=['公众号名字']

#登录微信公众号，获取登录之后的cookies信息，并保存到本地文本中
def weChat_login():
    #定义一个空的字典，存放cookies内容
    post={}

    #用webdriver启动谷歌浏览器
    print("启动浏览器，打开微信公众号登录界面")
    driver = webdriver.Chrome(executable_path='E:\微信公众号\chromedriver.exe')
    #打开微信公众号登录页面
    driver.get('https://mp.weixin.qq.com/')
    #等待5秒钟
    time.sleep(5)
    print("正在输入微信公众号登录账号和密码......")
    #清空账号框中的内容
    driver.find_element_by_xpath("./*//input[@id='account']").clear()
    #自动填入登录用户名
    driver.find_element_by_xpath("./*//input[@id='account']").send_keys(user)
    #清空密码框中的内容
    driver.find_element_by_xpath("./*//input[@id='pwd']").clear()
    #自动填入登录密码
    driver.find_element_by_xpath("./*//input[@id='pwd']").send_keys(password)

    # 在自动输完密码之后需要手动点一下记住我
    print("请在登录界面点击:记住账号")
    time.sleep(10)
    #自动点击登录按钮进行登录
    driver.find_element_by_xpath("./*//a[@id='loginBt']").click()
    # 拿手机扫二维码！
    print("请拿手机扫码二维码登录公众号")
    time.sleep(20)
    print("登录成功")
    #重新载入公众号登录页，登录之后会显示公众号后台首页，从这个返回内容中获取cookies信息
    driver.get('https://mp.weixin.qq.com/')
    #获取cookies
    cookie_items = driver.get_cookies()

    #获取到的cookies是列表形式，将cookies转成json形式并存入本地名为cookie的文本中
    for cookie_item in cookie_items:
        post[cookie_item['name']] = cookie_item['value']
    cookie_str = json.dumps(post)
    with open('cookie.txt', 'w+', encoding='utf-8') as f:
        f.write(cookie_str)
    print("cookies信息已保存到本地")

#爬取微信公众号文章，并存在本地文本中
def get_content(query):
    #query为要爬取的公众号名称
    #公众号主页
    url = 'https://mp.weixin.qq.com'
    #设置headers
    header = {
        "HOST": "mp.weixin.qq.com",
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0"
        }

    #读取上一步获取到的cookies
    with open('cookie.txt', 'r', encoding='utf-8') as f:
        cookie = f.read()
    cookies = json.loads(cookie)

    #登录之后的微信公众号首页url变化为：https://mp.weixin.qq.com/cgi-bin/home?t=home/index&lang=zh_CN&token=1849751598，从这里获取token信息
    response = requests.get(url=url, cookies=cookies)
    token = re.findall(r'token=(\d+)', str(response.url))[0]

    #搜索微信公众号的接口地址
    search_url = 'https://mp.weixin.qq.com/cgi-bin/searchbiz?'
    #搜索微信公众号接口需要传入的参数，有三个变量：微信公众号token、随机数random、搜索的微信公众号名字
    query_id = {
        'action': 'search_biz',
        'token' : token,
        'lang': 'zh_CN',
        'f': 'json',
        'ajax': '1',
        'random': random.random(),
        'query': query,
        'begin': '0',
        'count': '5'
        }
    #打开搜索微信公众号接口地址，需要传入相关参数信息如：cookies、params、headers
    search_response = requests.get(search_url, cookies=cookies, headers=header, params=query_id)
    #取搜索结果中的第一个公众号
    lists = search_response.json().get('list')[0]
    #获取这个公众号的fakeid，后面爬取公众号文章需要此字段
    fakeid = lists.get('fakeid')

    #微信公众号文章接口地址
    appmsg_url = 'https://mp.weixin.qq.com/cgi-bin/appmsg?'
    #搜索文章需要传入几个参数：登录的公众号token、要爬取文章的公众号fakeid、随机数random
    query_id_data = {
        'token': token,
        'lang': 'zh_CN',
        'f': 'json',
        'ajax': '1',
        'random': random.random(),
        'action': 'list_ex',
        'begin': '0',#不同页，此参数变化，变化规则为每页加5
        'count': '5',
        'query': '',
        'fakeid': fakeid,
        'type': '9'
        }
    #打开搜索的微信公众号文章列表页
    appmsg_response = requests.get(appmsg_url, cookies=cookies, headers=header, params=query_id_data)
    #获取文章总数
    max_num = appmsg_response.json().get('app_msg_cnt')
    #每页至少有5条，获取文章总的页数，爬取时需要分页爬
    num = int(int(max_num) / 5)
    #起始页begin参数，往后每页加5
    begin = 0
    while num + 1 > 0 :
        query_id_data = {
            'token': token,
            'lang': 'zh_CN',
            'f': 'json',
            'ajax': '1',
            'random': random.random(),
            'action': 'list_ex',
            'begin': '{}'.format(str(begin)),
            'count': '5',
            'query': '',
            'fakeid': fakeid,
            'type': '9'
            }
        print('正在翻页：--------------',begin)

        #获取每一页文章的标题和链接地址，并写入本地文本中
        query_fakeid_response = requests.get(appmsg_url, cookies=cookies, headers=header, params=query_id_data)
        fakeid_list = query_fakeid_response.json().get('app_msg_list')
        for item in fakeid_list:
            content_link=item.get('link')
            content_title=item.get('title')
            fileName=query+'.txt'
            with open(fileName,'a',encoding='utf-8') as fh:
                fh.write(content_title+":\n"+content_link+"\n")
                # fh.write("urllib.request.urlretrieve('"+content_link + "','" + content_title +".html')\n")由于还没有解决标题的符号参数识别会报错的问题，用了这个笨方法去解决的。
        num -= 1
        begin = int(begin)
        begin+=5
        time.sleep(2)

if __name__=='__main__':
    try:
        #登录微信公众号，获取登录之后的cookies信息，并保存到本地文本中
        weChat_login()
        #登录之后，通过微信公众号后台提供的微信公众号文章接口爬取文章
        for query in gzlist:
            #爬取微信公众号文章，并存在本地文本中
            print("开始爬取公众号："+query)
            get_content(query)
            print("爬取完成")
    except Exception as e:
        print(str(e))

还好我要的文章都能下载下来了，图片也没有什么用，所以暂时已经能满足了。至于解决这些问题，之后有时间有需要的时候再钻研。