Python 爬取微信公众号文章和评论 (有源码)

image

关注我,一个仍存梦想的屌丝程序员,每天为你分享高质量编程博客。

follow us for dream

关注我回复 “微信爬虫” 获取源代码

背景说明

感觉微信公众号算得是比较难爬的平台之一,不过一番折腾之后还是小有收获的。没有用Scrapy(估计爬太快也有反爬限制),但后面会开始整理写一些实战出来。简单介绍下本次的开发环境:

  • python3

  • requests

  • psycopg2 (操作postgres数据库)

抓包分析

前一篇文章介绍过抓包前要做的准备,这里不再做相关说明。本次实战对抓取的公众号没有限制,但不同公众号每次抓取之前都要进行分析。打开Fiddler,将手机配置好相关代理,为避免干扰过多,这里给Fiddler加个过滤规则,只需要指定微信域名mp.weixin.qq.com就好:

image

Fiddler配置Filter规则

平时关注的公众号也比较多,本次实战以“36氪”公众号为例,继续往下看:

image

“36氪”公众号

image

公众号右上角 -> 全部消息

在公众号主页,右上角有三个实心圆点,点击进入消息界面,下滑找到并点击“全部消息”,往下请求加载几次历史文章,然后回到Fiddler界面,不出意外的话应该可以看到这几次请求,可以看到返回的数据是json格式的,同时文章数据是以json字符串的形式定义在general_msg_list字段中:

image

公众号文章列表抓包请求

分析文章列表接口

把请求URL和Cookie贴上来进行分析:

Cookie: pgv_pvid=2027337976; 

下面把重要的参数说明一下,没提到的说明就不那么重要了:

  • __biz:相当于是当前公众号的id(唯一固定标志)

  • offset:文章数据接口请求偏移量标志(从0开始),每次返回的json数据中会有下一次请求的offset,注意这里并不是按某些规则递增的

  • count:每次请求的数据量(亲测最多可以是10)

  • pass_ticket:可以理解是请求票据,而且隔一段时间后(大概几个小时)就会过期,这也是为什么微信公众号比较难按固定规则进行抓取的原因

  • appmsg_token:同样理解为非固定有过期策略的票据

  • Cookie:使用的时候可以把整段贴上去,但最少仅需要wap_sid2这部分

是不是感觉有点麻烦,毕竟不是要搞大规模专业的爬虫,所以单就一个公众号这么分析下来,还是可以往下继续的,贴上截取的一段json数据,用于设计文章数据表:

{    "ret": 0,    "errmsg": "ok",    "msg_count": 10,    "can_msg_continue": 1,    "general_msg_list": "{\"list\":[{\"comm_msg_info\":{\"id\":1000005700,\"type\":49,\"datetime\":1535100943,\"fakeid\":\"3264997043\",\"status\":2,\"content\":\"\"},\"app_msg_ext_info\":{\"title\":\"金融危机又十年:钱荒之下,二手基金迎来高光时刻\",\"digest\":\"退出永远是基金的主旋律。\",\"content\":\"\",\"fileid\":100034824,\"content_url\":\"http:\\/\\/mp.weixin.qq.com\\/s?__biz=MzI2NDk5NzA0Mw==&mid=2247518479&idx=1&sn=124ab52f7478c1069a6b4592cdf3c5f5&chksm=eaa6d8d3ddd151c5bb95a7ae118de6d080023246aa0a419e1d53bfe48a8d9a77e52b752d9b80&scene=27#wechat_redirect\",\"source_url\":\"\",\"cover\":\"http:\\/\\/mmbiz.qpic.cn\\/mmbiz_jpg\\/QicyPhNHD5vYgdpprkibtnWCAN7l4ZaqibKvopNyCWWLQAwX7QpzWicnQSVfcBZmPrR5YuHS45JIUzVjb0dZTiaLPyA\\/0?wx_fmt=jpeg\",\"subtype\":9,\"is_multi\":0,\"multi_app_msg_item_list\":[],\"author\":\"石亚琼\",\"copyright_stat\":11,\"duration\":0,\"del_flag\":1,\"item_show_type\":0,\"audio_fileid\":0,\"play_url\":\"\",\"malicious_title_reason_id\":0,\"malicious_content_type\":0}}]}",    "next_offset": 20,    "video_count": 1,    "use_video_tab": 1,    "real_type": 0}

可以简单抽取想要的数据,这里将文章表结构定义如下,顺便贴上建表的SQL语句:

image

-- ------------------------------ Table structure for tb_article-- ----------------------------DROP TABLE IF EXISTS "public"."tb_article";CREATE TABLE "public"."tb_article" (  "id" serial4 PRIMARY KEY,  "msg_id" int8 NOT NULL,  "title" varchar(200) COLLATE "pg_catalog"."default" NOT NULL,  "author" varchar(20) COLLATE "pg_catalog"."default",  "cover" varchar(500) COLLATE "pg_catalog"."default",  "digest" varchar(200) COLLATE "pg_catalog"."default",  "source_url" varchar(800) COLLATE "pg_catalog"."default",  "content_url" varchar(600) COLLATE "pg_catalog"."default" NOT NULL,  "post_time" timestamp(6),  "create_time" timestamp(6) NOT NULL);COMMENT ON COLUMN "public"."tb_article"."id" IS '自增主键';COMMENT ON COLUMN "public"."tb_article"."msg_id" IS '消息id (唯一)';COMMENT ON COLUMN "public"."tb_article"."title" IS '标题';COMMENT ON COLUMN "public"."tb_article"."author" IS '作者';COMMENT ON COLUMN "public"."tb_article"."cover" IS '封面图';COMMENT ON COLUMN "public"."tb_article"."digest" IS '关键字';COMMENT ON COLUMN "public"."tb_article"."source_url" IS '原文地址';COMMENT ON COLUMN "public"."tb_article"."content_url" IS '文章地址';COMMENT ON COLUMN "public"."tb_article"."post_time" IS '发布时间';COMMENT ON COLUMN "public"."tb_article"."create_time" IS '入库时间';COMMENT ON TABLE "public"."tb_article" IS '公众号文章表';-- ------------------------------ Indexes structure for table tb_article-- ----------------------------CREATE UNIQUE INDEX "unique_msg_id" ON "public"."tb_article" USING btree (  "msg_id" "pg_catalog"."int8_ops" ASC NULLS LAST);

附请求文章接口并解析数据保存到数据库的相关代码:

class WxMps(object):    """微信公众号文章、评论抓取爬虫"""    def __init__(self, _biz, _pass_ticket, _app_msg_token, _cookie, _offset=0):        self.offset = _offset        self.biz = _biz  # 公众号标志        self.msg_token = _app_msg_token  # 票据(非固定)        self.pass_ticket = _pass_ticket  # 票据(非固定)        self.headers = {            'Cookie': _cookie,  # Cookie(非固定)            'User-Agent': 'Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/57.0.2987.132 '        }        wx_mps = 'wxmps'  # 这里数据库、用户、密码一致(需替换成实际的)        self.postgres = pgs.Pgs(host='localhost', port='5432', db_name=wx_mps, user=wx_mps, password=wx_mps)    def start(self):        """请求获取公众号的文章接口"""        offset = self.offset        while True:            api = ''.format(self.biz, offset, self.pass_ticket, self.msg_token)            resp = requests.get(api, headers=self.headers).json()            ret, status = resp.get('ret'), resp.get('errmsg')  # 状态信息            if ret == 0 or status == 'ok':                print('Crawl article: ' + api)                offset = resp['next_offset']  # 下一次请求偏移量                general_msg_list = resp['general_msg_list']                msg_list = json.loads(general_msg_list)['list']  # 获取文章列表                for msg in msg_list:                    comm_msg_info = msg['comm_msg_info']  # 该数据是本次推送多篇文章公共的                    msg_id = comm_msg_info['id']  # 文章id                    post_time = datetime.fromtimestamp(comm_msg_info['datetime'])  # 发布时间                    # msg_type = comm_msg_info['type']  # 文章类型                    # msg_data = json.dumps(comm_msg_info, ensure_ascii=False)  # msg原数据                    app_msg_ext_info = msg.get('app_msg_ext_info')  # article原数据                    if app_msg_ext_info:                        # 本次推送的首条文章                        self._parse_articles(app_msg_ext_info, msg_id, post_time)                        # 本次推送的其余文章                        multi_app_msg_item_list = app_msg_ext_info.get('multi_app_msg_item_list')                        if multi_app_msg_item_list:                            for item in multi_app_msg_item_list:                                msg_id = item['fileid']  # 文章id                                if msg_id == 0:                                    msg_id = int(time.time() * 1000)  # 设置唯一id,解决部分文章id=0出现唯一索引冲突的情况                                self._parse_articles(item, msg_id, post_time)                print('next offset is %d' % offset)            else:                print('Before break , Current offset is %d' % offset)                break    def _parse_articles(self, info, msg_id, post_time):        """解析嵌套文章数据并保存入库"""        title = info.get('title')  # 标题        cover = info.get('cover')  # 封面图        author = info.get('author')  # 作者        digest = info.get('digest')  # 关键字        source_url = info.get('source_url')  # 原文地址        content_url = info.get('content_url')  # 微信地址        # ext_data = json.dumps(info, ensure_ascii=False)  # 原始数据        self.postgres.handler(self._save_article(), (msg_id, title, author, cover, digest,                                                                  source_url, content_url, post_time,                                                                  datetime.now()), fetch=True)                                                                      @staticmethod    def _save_article():        sql = 'insert into tb_article(msg_id,title,author,cover,digest,source_url,content_url,post_time,create_time) ' \              'values(%s,%s,%s,%s,%s,%s,%s,%s,%s)'        return sql        if __name__ == '__main__':    biz = 'MzI2NDk5NzA0Mw=='  # "36氪"    pass_ticket = 'NDndxxaZ7p6Z9PYulWpLqMbI0i3ULFeCPIHBFu1sf5pX2IhkGfyxZ6b9JieSYRUy'    app_msg_token = '971_Z0lVNQBcGsWColSubRO9H13ZjrPhjuljyxLtiQ~~'    cookie = 'wap_sid2=CO3YwOQHEogBQnN4VTNhNmxQWmc3UHI2U3kteWhUeVExZHFVMnN0QXlsbzVJRUJKc1pkdVFUU2Y5UzhSVEtOZmt1VVlYTkR4SEllQ2huejlTTThJWndMQzZfYUw2SldLVGVMQUthUjc3QWdVMUdoaGN0Nml2SU05cXR1dTN2RkhRUVd1V2Y3SFJ5d01BQUF+fjCB1pLcBTgNQJVO'    # 以上信息不同公众号每次抓取都需要借助抓包工具做修改    wxMps = WxMps(biz, pass_ticket, app_msg_token, cookie)    wxMps.start()  # 开始爬取文章

分析文章评论接口

获取评论的思路大致是一样的,只是会更加麻烦一点。首先在手机端点开一篇有评论的文章,然后查看Fiddler抓取的请求:

image

公众号文章评论

image

提取其中的URL和Cookie再次分析:

Cookie: pgv_pvid=2027337976; pgv_info=ssid=s3015512850; rewardsn=; wxuin=2089823341; devicetype=android-26; version=26070237; lang=zh_CN; pass_ticket=NDndxxaZ7p6Z9PYulWpLqMbI0i3ULFeCPIHBFu1sf5pX2IhkGfyxZ6b9JieSYRUy; wap_sid2=CO3YwOQHEogBdENPSVdaS3pHOWc1V2QzY1NvZG9PYk1DMndPS3NfbGlHM0Vfal8zLU9kcUdkWTQxdUYwckFBT3RZM1VYUXFaWkFad3NVaWFXZ28zbEFIQ2pTa1lqZktfb01vcGdPLTQ0aGdJQ2xOSXoxTVFvNUg3SVpBMV9GRU1lbnotci1MWWl5d01BQUF+fjCj45PcBTgNQAE=; wxtokenkey=777

接着分析参数:

  • __biz:同上

  • pass_ticket:同上

  • Cookie:同上

  • offset和limit:代表偏移量和请求数量,由于公众号评论最多展示100条,所以这两个参数也不用改它

  • comment_id:获取文章评论数据的标记id,固定但需要从当前文章结构(Html)解析提取

  • appmsgid:票据id,非固定每次需要从当前文章结构(Html)解析提取

  • appmsg_token:票据token,非固定每次需要从当前文章结构(Html)解析提取

可以看到最后三个参数要解析html获取(当初真的找了好久才想到看文章网页结构)。从文章请求接口可以获得文章地址,对应上面的content_url字段,但请求该地址前仍需要对url做相关处理,不然上面三个参数会有缺失,也就获取不到后面评论内容:

def _parse_article_detail(self, content_url, article_id):        """从文章页提取相关参数用于获取评论,article_id是已保存的文章id"""        try:            api = content_url.replace('amp;', '').replace('#wechat_redirect', '').replace('http', 'https')            html = requests.get(api, headers=self.headers).text        except:            print('获取评论失败' + content_url)        else:            # group(0) is current line            str_comment = re.search(r'var comment_id = "(.*)" \|\| "(.*)" \* 1;', html)            str_msg = re.search(r"var appmsgid = '' \|\| '(.*)'\|\|", html)            str_token = re.search(r'window.appmsg_token = "(.*)";', html)            if str_comment and str_msg and str_token:                comment_id = str_comment.group(1)  # 评论id(固定)                app_msg_id = str_msg.group(1)  # 票据id(非固定)                appmsg_token = str_token.group(1)  # 票据token(非固定)

再回来看该接口返回的json数据,分析结构后然后定义数据表(含SQL):

image

-- ------------------------------ Table structure for tb_article_comment-- ----------------------------DROP TABLE IF EXISTS "public"."tb_article_comment";CREATE TABLE "public"."tb_article_comment" (  "id" serial4 PRIMARY KEY,  "article_id" int4 NOT NULL,  "comment_id" varchar(50) COLLATE "pg_catalog"."default",  "nick_name" varchar(50) COLLATE "pg_catalog"."default" NOT NULL,  "logo_url" varchar(300) COLLATE "pg_catalog"."default",  "content_id" varchar(50) COLLATE "pg_catalog"."default" NOT NULL,  "content" varchar(3000) COLLATE "pg_catalog"."default" NOT NULL,  "like_num" int2,  "comment_time" timestamp(6),  "create_time" timestamp(6) NOT NULL);COMMENT ON COLUMN "public"."tb_article_comment"."id" IS '自增主键';COMMENT ON COLUMN "public"."tb_article_comment"."article_id" IS '文章外键id';COMMENT ON COLUMN "public"."tb_article_comment"."comment_id" IS '评论接口id';COMMENT ON COLUMN "public"."tb_article_comment"."nick_name" IS '用户昵称';COMMENT ON COLUMN "public"."tb_article_comment"."logo_url" IS '头像地址';COMMENT ON COLUMN "public"."tb_article_comment"."content_id" IS '评论id (唯一)';COMMENT ON COLUMN "public"."tb_article_comment"."content" IS '评论内容';COMMENT ON COLUMN "public"."tb_article_comment"."like_num" IS '点赞数';COMMENT ON COLUMN "public"."tb_article_comment"."comment_time" IS '评论时间';COMMENT ON COLUMN "public"."tb_article_comment"."create_time" IS '入库时间';COMMENT ON TABLE "public"."tb_article_comment" IS '公众号文章评论表';-- ------------------------------ Indexes structure for table tb_article_comment-- ----------------------------CREATE UNIQUE INDEX "unique_content_id" ON "public"."tb_article_comment" USING btree (  "content_id" COLLATE "pg_catalog"."default" "pg_catalog"."text_ops" ASC NULLS LAST);

万里长征快到头了,最后贴上这部分代码,由于要先获取文章地址,所以和上面获取文章数据的代码是一起的:

import jsonimport reimport timefrom datetime import datetimeimport requestsfrom utils import pgsclass WxMps(object):    """微信公众号文章、评论抓取爬虫"""    def __init__(self, _biz, _pass_ticket, _app_msg_token, _cookie, _offset=0):        self.offset = _offset        self.biz = _biz  # 公众号标志        self.msg_token = _app_msg_token  # 票据(非固定)        self.pass_ticket = _pass_ticket  # 票据(非固定)        self.headers = {            'Cookie': _cookie,  # Cookie(非固定)            'User-Agent': 'Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/57.0.2987.132 '        }        wx_mps = 'wxmps'  # 这里数据库、用户、密码一致(需替换成实际的)        self.postgres = pgs.Pgs(host='localhost', port='5432', db_name=wx_mps, user=wx_mps, password=wx_mps)    def start(self):        """请求获取公众号的文章接口"""        offset = self.offset        while True:            api = ''.format(self.biz, offset, self.pass_ticket, self.msg_token)            resp = requests.get(api, headers=self.headers).json()            ret, status = resp.get('ret'), resp.get('errmsg')  # 状态信息            if ret == 0 or status == 'ok':                print('Crawl article: ' + api)                offset = resp['next_offset']  # 下一次请求偏移量                general_msg_list = resp['general_msg_list']                msg_list = json.loads(general_msg_list)['list']  # 获取文章列表                for msg in msg_list:                    comm_msg_info = msg['comm_msg_info']  # 该数据是本次推送多篇文章公共的                    msg_id = comm_msg_info['id']  # 文章id                    post_time = datetime.fromtimestamp(comm_msg_info['datetime'])  # 发布时间                    # msg_type = comm_msg_info['type']  # 文章类型                    # msg_data = json.dumps(comm_msg_info, ensure_ascii=False)  # msg原数据                    app_msg_ext_info = msg.get('app_msg_ext_info')  # article原数据                    if app_msg_ext_info:                        # 本次推送的首条文章                        self._parse_articles(app_msg_ext_info, msg_id, post_time)                        # 本次推送的其余文章                        multi_app_msg_item_list = app_msg_ext_info.get('multi_app_msg_item_list')                        if multi_app_msg_item_list:                            for item in multi_app_msg_item_list:                                msg_id = item['fileid']  # 文章id                                if msg_id == 0:                                    msg_id = int(time.time() * 1000)  # 设置唯一id,解决部分文章id=0出现唯一索引冲突的情况                                self._parse_articles(item, msg_id, post_time)                print('next offset is %d' % offset)            else:                print('Before break , Current offset is %d' % offset)                break    def _parse_articles(self, info, msg_id, post_time):        """解析嵌套文章数据并保存入库"""        title = info.get('title')  # 标题        cover = info.get('cover')  # 封面图        author = info.get('author')  # 作者        digest = info.get('digest')  # 关键字        source_url = info.get('source_url')  # 原文地址        content_url = info.get('content_url')  # 微信地址        # ext_data = json.dumps(info, ensure_ascii=False)  # 原始数据        content_url = content_url.replace('amp;', '').replace('#wechat_redirect', '').replace('http', 'https')        article_id = self.postgres.handler(self._save_article(), (msg_id, title, author, cover, digest,                                                                  source_url, content_url, post_time,                                                                  datetime.now()), fetch=True)        if article_id:            self._parse_article_detail(content_url, article_id)    def _parse_article_detail(self, content_url, article_id):        """从文章页提取相关参数用于获取评论,article_id是已保存的文章id"""        try:            html = requests.get(content_url, headers=self.headers).text        except:            print('获取评论失败' + content_url)        else:            # group(0) is current line            str_comment = re.search(r'var comment_id = "(.*)" \|\| "(.*)" \* 1;', html)            str_msg = re.search(r"var appmsgid = '' \|\| '(.*)'\|\|", html)            str_token = re.search(r'window.appmsg_token = "(.*)";', html)            if str_comment and str_msg and str_token:                comment_id = str_comment.group(1)  # 评论id(固定)                app_msg_id = str_msg.group(1)  # 票据id(非固定)                appmsg_token = str_token.group(1)  # 票据token(非固定)                # 缺一不可                if appmsg_token and app_msg_id and comment_id:                    print('Crawl article comments: ' + content_url)                    self._crawl_comments(app_msg_id, comment_id, appmsg_token, article_id)    def _crawl_comments(self, app_msg_id, comment_id, appmsg_token, article_id):        """抓取文章的评论"""        api = ''.format(self.biz, app_msg_id, comment_id,                                                     self.pass_ticket, appmsg_token)        resp = requests.get(api, headers=self.headers).json()        ret, status = resp['base_resp']['ret'], resp['base_resp']['errmsg']        if ret == 0 or status == 'ok':            elected_comment = resp['elected_comment']            for comment in elected_comment:                nick_name = comment.get('nick_name')  # 昵称                logo_url = comment.get('logo_url')  # 头像                comment_time = datetime.fromtimestamp(comment.get('create_time'))  # 评论时间                content = comment.get('content')  # 评论内容                content_id = comment.get('content_id')  # id                like_num = comment.get('like_num')  # 点赞数                # reply_list = comment.get('reply')['reply_list']  # 回复数据                self.postgres.handler(self._save_article_comment(), (article_id, comment_id, nick_name, logo_url,                                                                     content_id, content, like_num, comment_time,                                                                     datetime.now()))    @staticmethod    def _save_article():        sql = 'insert into tb_article(msg_id,title,author,cover,digest,source_url,content_url,post_time,create_time) ' \              'values(%s,%s,%s,%s,%s,%s,%s,%s,%s) returning id'        return sql    @staticmethod    def _save_article_comment():        sql = 'insert into tb_article_comment(article_id,comment_id,nick_name,logo_url,content_id,content,like_num,' \              'comment_time,create_time) values(%s,%s,%s,%s,%s,%s,%s,%s,%s)'        return sqlif __name__ == '__main__':    biz = 'MzI2NDk5NzA0Mw=='  # "36氪"    pass_ticket = 'NDndxxaZ7p6Z9PYulWpLqMbI0i3ULFeCPIHBFu1sf5pX2IhkGfyxZ6b9JieSYRUy'    app_msg_token = '971_Z0lVNQBcGsWColSubRO9H13ZjrPhjuljyxLtiQ~~'    cookie = 'wap_sid2=CO3YwOQHEogBQnN4VTNhNmxQWmc3UHI2U3kteWhUeVExZHFVMnN0QXlsbzVJRUJKc1pkdVFUU2Y5UzhSVEtOZmt1VVlYTkR4SEllQ2huejlTTThJWndMQzZfYUw2SldLVGVMQUthUjc3QWdVMUdoaGN0Nml2SU05cXR1dTN2RkhRUVd1V2Y3SFJ5d01BQUF+fjCB1pLcBTgNQJVO'    # 以上信息不同公众号每次抓取都需要借助抓包工具做修改    wxMps = WxMps(biz, pass_ticket, app_msg_token, cookie)    wxMps.start()  # 开始爬取文章及评论

文末小结

最后展示下数据库里的数据,单线程爬的慢而且又没这方面的数据需求,所以也只是随便试了下手:

image

关注我回复 “微信爬虫” 获取源代码

回复关键字:

1、回复 “10”  查看 最有价值的10个spring boot开源项目**

2、回复 “国旗”  获取国旗头像教程**

3、回复 “Ubuntu”  获取100 个最佳 Ubuntu 应用 和 linux神器

4、回复 “idea "  获取**最新idea破解教程 和 装逼神奇

5、回复 “ssh”  获取史上最好的 ssh工具  支持mac

6、回复 “代金券”  腾讯云和阿里云代金券

image

推荐阅读:

Java 开发人员常用的服务配置(Nginx、Tomcat、JVM、Mysql、Redis)

腾讯电话面试总结—Linux运维工程师

python爬虫:(嘿嘿嘿)爬你喜欢的照片

面试官问我:一个 TCP 连接可以发多少个 HTTP 请求?我竟然回答不上来…

教你迅雷&百度非会员也能享受不限速的特权

Chrome开发者工具(DevTools)使用技巧

100个最有价值的开源项目–微信开发系列

IDEA 2019 最新激活教程

一台Linux服务器可以负载多少个连接?(底部有福利)

免责声明:

1.本公众号所转载文章均来自公开网络。

2.如果出处标注有误或侵犯到原著作者权益,请联系删除。

3.转载本公众号中的文章请注明原文链接和作者,否则产生的任何版权纠纷均与本公众号无关。

发布了173 篇原创文章 · 获赞 195 · 访问量 45万+

猜你喜欢

转载自blog.csdn.net/chenjianandiyi/article/details/102796998