wechat_spider 微信爬虫
基于 Node.js 的微信爬虫,通过中间人代理的原理,批量获取微信文章数据,包括阅读量、点赞量、在看数、评论和文章正文等数据。
使用代理模块 AnyProxy。代码已支持 AnyProxy 4 版本。
支持 Docker 部署。
项目可运行在个人电脑上,也可部署在服务器上。
开始
安装前准备
- 安装 Node,推荐版本 16
- 安装 MongoDB,最近版本即可
- 安装 Redis,最近版本即可
安装
git clone https://github.com/lqqyt2423/wechat_spider.git
cd wechat_spider
npm install
本项目基于代理模块 AnyProxy,解析微信 HTTPS 请求需在电脑和手机上都安装证书。可参考:AnyProxy 文档。
通过 Docker 部署
git clone https://github.com/lqqyt2423/wechat_spider.git
cd wechat_spider
# build image
docker-compose build
# 运行实例(mongo数据存储地址需通过环境变量MONGO_PATH传入)
MONGO_PATH=/data/mongo docker-compose up
# 终止运行
docker-compose down
Dockerfile
中已经设置了在Linux
环境的 Docker 中添加根证书的操作步骤,所以接下来仅需在手机上安装 https 证书即可。- 最终手机上设置的代理 ip 还是需要以自己电脑上的 ip 为准,需忽略 Docker 实例中打印的 ip 地址
- 可编辑
Dockerfile
和docker-compose.yml
改变部署规则
使用
cd wechat_spider
npm start
- 确保电脑和手机连接同一 WIFI,
npm start
之后,命令行输出请配置代理: xx.xx.xx.xx:8101
类似语句,手机设置代理为此 IP 和端口 - 手机上测试打开任一公众号历史文章详情页和文章页,观察电脑命令行的输出,查看数据是否保存至 MongoDB
- 如需测试自动翻页,可先多次分别打开不同的公众号的历史详情页,等数据库中有了翻页的基础公众号信息之后,再随便进入历史页等待翻页跳转
- 翻页逻辑仅支持公众号历史页面跳公众号历史页面,微信文章页面跳微信文章页面,两个不同页面不能互相跳转
针对微信新版需注意
- 历史页面可自行拼接后发送至微信中打开,拼接规则为:
var biz = 'MzI4NjQyMTM2Mw==';
var history_page = 'https://mp.weixin.qq.com/mp/profile_ext?action=home&__biz=' + biz + '&scene=124#wechat_redirect';
// https://mp.weixin.qq.com/mp/profile_ext?action=home&__biz=MzI4NjQyMTM2Mw==&scene=124#wechat_redirect
- 进入微信文章页面先刷新一下
自定义配置
可编辑 config.js
文件进行自定义配置,文件中每个配置项都有详细的说明。
可配置项举例如下:
- 控制是否开启文章或历史详情页自动跳转
- 控制跳转时间间隔
- 根据文章发布时间控制抓取范围
- 是否保存文章正文内容
- 是否保存文章评论
需注意,本项目修改了 AnyProxy 的默认端口。连接代理的端口改为 8101,AnyProxy 管理界面的端口改为 8102,且仅在 NODE_ENV=development
时才会开启 AnyProxy 的管理界面功能。如需修改,可编辑 config.js
。
可视化界面
前端页面已打包好,启动项目后,如无修改默认 server port
配置,浏览器直接访问 http://localhost:8104
即可。检测数据有无抓取保存直接刷新此页面即可。
前端页面由 React
编写,如需修改,可编辑 client
文件中的代码。
MongoDB 数据信息
数据库 database: wechat_spider
数据表 collections:
- posts - 文章数据
- profiles - 公众号数据
- comments - 评论数据
从 MongoDB 导出数据
命令行直接导出数据
mongoexport --db wechat_spider --collection posts --type=csv --fields title,link,publishAt,readNum,likeNum,likeNum2,msgBiz,msgMid,msgIdx,sourceUrl,cover,digest,isFail --out ~/Desktop/posts.csv
脚本导出
可参考文件 /test/exportData.js
。
感谢
感谢此文章提供思路:微信公众号文章批量采集系统的构建
赞助我
如果你觉得这个项目对你有帮助,不妨考虑给我买杯咖啡。
赞助时可备注来源 wechat spider,我会将你添加至下面的赞助列表中。
感谢以下赞助者:
暂无