微信公众号爬虫方法之一

 已经在慢慢开发这个API,可查看我的Github地址

需求

某某微信公众号历史的所有文章的阅读数和点赞数

难点

  1. 微信公众号历史的所有文章(来源???)

  2. 每篇文章的阅读量和点赞量(电脑上浏览文章只显示内容,没有阅读量、点赞量、评论……)

突破难点一

  1. 搜狗微信搜索,可以搜索微信公众号文章。但是貌似只能显示该公众号最近十篇的文章。放弃……

  2. 利用抓包工具(Fiddler),抓取文章。成本有点大……,且貌似只能抓取原创文章。不符合个人需求,放弃……

  3. 利用微信个人订阅号进行爬取,神奇的操作。

操作

  1. 拥有一个微信个人订阅号,附上登陆和注册链接。微信公众平台

  2. 好在之前无聊注册过一次,所以就可以直接登陆操作。没有注册的童鞋可以用自己的微信号注册一下,过程十分简单,在此就不赘述了

  3. 登陆之后,点击左侧菜单栏“管理”-“素材管理”。再点击右边的“新建图文素材”


  4. pic1

  5. 弹出一个新的标签页,在上面的工具栏找到“超链接”并点击 
       

  6. pic2

  7. 弹出了一个小窗口,选择“查找文章”,输入需要查找的公众号,这里用“科技美学”公众号作为例子 
       

  8. pic3

  9. 点击之后,可以弹出该公众号的所有历史文章


  10. pic4

代码实现

# -*- coding: utf-8 -*- import requests import time import json   # 目标url url = "https://mp.weixin.qq.com/cgi-bin/appmsg"  # 使用Cookie,跳过登陆操作 headers = {   "Cookie": yourcookie,   "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36", }  """ 需要提交的data 以下个别字段是否一定需要还未验证。 注意修改yourtoken,number number表示从第number页开始爬取,为5的倍数,从0开始。如0、5、10…… token可以使用Chrome自带的工具进行获取 fakeid是公众号独一无二的一个id,等同于后面的__biz """ data = {     "token": yourtoken,     "lang": "zh_CN",     "f": "json",     "ajax": "1",     "action": "list_ex",     "begin": number,     "count": "5",     "query": "",     "fakeid": yourfakeid,     "type": "9", }  # 使用get方法进行提交 content_json = requests.get(url, headers=headers, params=data).json() # 返回了一个json,里面是每一页的数据 for item in content_json["app_msg_list"]:     # 提取每页文章的标题及对应的url     print(item["title"], "url": item["link"])123456789101112131415161718192021222324252627282930313233343536373839404142

以上,即可爬取微信公众号的一页数据,如果是爬取所有页的数据,则需要改变number进行爬取。

注:每次抓取完一页之后,最好设定time.sleep(3)。过快会导致爬取失败

突破难点二

这里我使用的方法是在电脑上登陆微信客户端,进行抓包分析。从客户端看推文可以看到阅读量、点赞量。

我使用的是Fiddler。Fiddller具体使用就不赘述了。下面直接演示操作

操作

  1. 打开fiddler开始监控

  2. 登陆微信客户端,浏览该公众号的任意一篇推文

  3. 可以观察到这里的内容显示会有阅读量、点赞量、评论等

  4. 观察fiddler的监控数据,如下图显示

pic5

 
5. 其中/mp/getappmgsext?...是我们推文内容的url,双击之后,fiddler界面右边出现如下图数据

pic6

6. 上图下侧的json里面的read_numlike_num分别是阅读量和点赞量

代码实现

import time import requests import json   # 目标url url = "http://mp.weixin.qq.com/mp/getappmsgext" # 添加Cookie避免登陆操作,这里的"User-Agent"最好为手机浏览器的标识 headers = {     "Cookie": yourcookie,     "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 MicroMessenger/6.5.2.501 NetType/WIFI WindowsWechat QBCore/3.43.27.400 QQBrowser/9.0.2524.400" } # 添加data,`req_id`、`pass_ticket`分别对应文章的信息,从fiddler复制即可。不过貌似影响不大 data = {     "is_only_read": "1",     "req_id": yourreq_id,     "pass_ticket": yourpass_ticket,     "is_temp_url": "0", } """ 添加请求参数 __biz对应公众号的信息,唯一 mid、sn、idx分别对应每篇文章的url的信息,需要从url中进行提取 key、appmsg_token从fiddler上复制即可 pass_ticket对应的文章的信息,貌似影响不大,也可以直接从fiddler复制 """ params = {     "__biz": your__biz,     "mid": article_mid,     "sn": article_sn,     "idx": article_idx,     "key": yourkey,     "pass_ticket": pass_ticket,     "appmsg_token": yourappmsg_token, } # 使用post方法进行提交 content = requests.post(url, headers=headers, data=data, params=params).json()  # 提取其中的阅读数和点赞数 print(content["appmsgstat"]["read_num"], content["appmsgstat"]["like_num"])12345678910111213141516171819202122232425262728293031323334353637383940

以上即可获取到一篇文章的阅读量、点赞量。 
Cookiereq_idpass_ticketkeyappmsg_token__biz利用fiddler获取 
如果是需要多篇文章,需要更改的参数midsnidx 
如果是不同公众号,就需要根据url修改__biz 
多篇文章的爬取,需要根据之前爬取到的url进行提取关键信息,分别爬取。 
注:每次抓取完一页之后,最好设定time.sleep(3)。过快会导致爬取失败。

写在最后

以上就是这次微信爬虫的经历。

需要掌握的基本技能:

  1. python爬虫的语法

  2. Chrome、Fiddler基本使用

  3. 网络爬虫基本常识

以上代码不完善的点:

  1. 使用Cookie登陆,未实现自动登陆

  2. key、appmsg_token一些关键参数需要进行手动获取

  3. 实际运行之后,就算设定了爬取间隙时间,还是会被封禁。

说明:

  1. 网上一些说法,key半小时过期,我好像没有遇到。

  2. 代码中若有细节问题,欢迎指出讨论


版权声明:本文为博主原创文章,未经博主允许不得转载。 htt

发表评论

必填

选填

选填

必填

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。