微信公众号文章爬虫

实现思路一:

从微信公众号平台获取微信公众所有文章的url
登录微信PC端或移动端获取文章的阅读数、点赞数、评论信息

完整思路可以参考我的博客: 微信公众号爬虫

实现思路二：

登陆微信PC端或移动端获取公众号所有文章的url，这种获取到的url数量大于500，具体数值暂未测试
同上种方法，获取文章阅读数、点赞数、评论信息

Notes

爬取失败的时候，可能有以下原因
1. 需要关注对应公众号
2. 运行的时候需要关闭网络代理（抓包软件），或者添加相关参数
3. 参数是否最新
4. 检查代码
思路一获取url时，每页间隔可以设定久一点，比如3分钟
获取文章阅读点赞时，每篇文章可以设定在10s左右。

python版本

python: 3.6.2

第三方包

requests: 爬取内容

详情见requirements.txt

功能实现

获取某公众号信息
获取某公众号所有文章数量
获取某公众号文章的url信息
获取某公众号所有文章信息（包含点赞数、阅读数、评论信息），需要手动更改循环
获取某公众号指定文章的信息
支持两种微信公众号登录方式, 下面方法选用其一即可
1. 账号密码爬虫，输入账号密码后，扫描二维码登录。自动获取cookie和token。此方法需要安装matplotlib和PIL用于显示二维码图片
2. cookie、token登录，手动复制cookie和token。
支持两种获取文章阅读数和点赞数的方式，下面方式选用其一即可
1. 利用抓包工具手动获取
2. 安装python第三方库mitmproxy自动获取
支持存储方式
1. txt存储（不建议）
2. mongo存储。需要安装pymongo

变量名的说明

变量名	作用
usernmae	个人公众号的账号
password	个人公众号的密码
official_cookie	个人公众号的cookie
token	个人公众号的token
appmsg_token	个人微信号的appmsg_token
wechat_cookie	个人微信号的cookie
key	个人微信号的key
uin	个人微信号的uin
nickname	需要获取文章的公众号名称
query	筛选公众号文章的关键词
outfile	mitmproxy抓包获取请求的保存文件
begin	从第几篇文章开始爬取
count	每次爬取的文章数(最大为5, 但是返回结果可能会大于５)

API实例

以下完整实例代码见test/目录下的实例代码。

official_cookie和token手动获取方式见这篇文档

wechat_cookie和appmsg_token手动获取的介绍，可以参考这篇文档

wechat_cookie和appmsg_token自动获取的介绍(需要安装mitmproxy)，可以参考这篇文档。默认开放端口为8080。

wechat_cookie和appmsg_token建议获取每天或者每半天获取一次即可。此处通过上面获取到的url即可无限爬取，没有次数限制

# 导入模块
import sys
sys.path.append(path + "/wechat_articles_spider")
from wechatarticles import OfficialWeChat
from wechatarticles import LoginWeChat
from wechatarticles import ReadOutfile
from wechatarticles import ArticlesAPI

一次性获取文章的信息(阅读、点赞、评论信息)

# 下面三种方式任选一种即可

# 手动输入所有参数
test = ArticlesAPI(
    official_cookie=official_cookie,
    token=token,
    appmsg_token=appmsg_token,
    wechat_cookie=wechat_cookie)

# 输入账号密码，自动登录公众号，手动输入appmsg_token和wechat_cookie
test = ArticlesAPI(
    username=username,
    password=password,
    appmsg_token=appmsg_token,
    wechat_cookie=wechat_cookie)

# 手动输入official_cookie和token, 自动获取appmsg_token和wechat_cookie
test = ArticlesAPI(
    official_cookie=official_cookie, token=token, outfile=outfile)

# 自定义爬取，每次爬取5篇以上
data = test.complete_info(nickname=nickname, begin="0")

# 自定义从某部分开始爬取，持续爬取，直至爬取失败为止，一次性最多爬取40篇（功能未测试，欢迎尝试）
datas = test.continue_info(nickname=nickname, begin="0")

分解步骤

步骤一: 获取公众号的所有文章url

此处有次数限制，不可一次获取太多url(获取超过30、40条貌似就会失败)。解决方案多个账号同时爬取

# 实例化爬取对象
# 账号密码自动获取cookie和token
test = ArticlesUrls(username=username, password=password)
# 手动输入账号密码
test = ArticlesUrls(cookie=official_cookie, token=token)

# 输入公众号名称，获取公众号文章总数
articles_sum = test.articles_nums(nickname)
# 输入公众号名称，获取公众号部分文章信息, 每次最大返回数为5个
articles_data = test.articles(nickname, begin="0", count="5")
# 输入公众号名称，获取公众号的一些信息
officical_info = test.official_info(nickname)
# 输入公众号名称，输入关键词，获取公众号相关文章信息, 每次最大返回数为5个
articles_data_query = test.articles(nickname, query=query, begin="0", count="5")
# 输入公众号名称，输入关键词，获取公众号相关文章总数
articles_sum_query = test.articles_nums(nickname, query=query)

步骤二：登录微信PC端获取文章信息

# 支持自动获取appmsg_token和cookie
appmsg_token, cookie = Reader().contral(outfile)

# 实例化爬取对象
# 账号密码自动获取cookie和token
test = ArticlesInfo(appmsg_token=appmsg_token, cookie=wechat_cookie)
# 获取文章所有的评论信息(无需appmsg_token和cookie)
comments = test.comments(link)
# 获取文章阅读数点赞数
read_num, like_num = test.read_like_nums(link)

获取大量文章urls

见test/test_GetUrls.py

TO-DO

发布第三方包

decadego/wechat_articles_spider