共计 2818 个字符,预计需要花费 8 分钟才能阅读完成。
本文首发自公众号:python3xxx
爬取公众号的方式常见的有两种
- 通过搜狗搜索去获取,缺点是只能获取最新的十条推送文章
- 通过微信公众号的素材管理,获取公众号文章。缺点是需要申请自己的公众号。
今天介绍一种通过抓包 PC 端微信的方式去获取公众号文章的方法。相比其他的方法非常方便。
如上图,通过抓包工具获取微信的网络信息请求,我们发现每次下拉刷新文章的时候都会请求 mp.weixin.qq.com/mp/profile_ext 这个接口。
经过多次测试分析,用到了以下几个参数
- __biz : 用户和公众号之间的唯一 id,
- uin:用户的私密 id
- key:请求的秘钥,一段时候只会就会失效。
- offset:偏移量
- count:每次请求的条数
数据如下
{
"ret": 0,
"errmsg": "ok", # 请求状态
"msg_count": 10, # 信息条数
"can_msg_continue": 1, # 是否还可以继续获取,1 代表可以。0 代表不可以,也就是最后一页
"general_msg_list": "{"list":[]}", # 公众号文本信息
"next_offset": 20,
"video_count": 1,
"use_video_tab": 1,
"real_type": 0,
"home_page_list": []}
部分代码如下
params = {
'__biz': biz,
'uin': uin,
'key': key,
'offset': offset,
'count': count,
'action': 'getmsg',
'f': 'json'
}
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'
}
response = requests.get(url=url, params=params, headers=headers)
resp_json = response.json()
if resp_json.get('errmsg') == 'ok':
resp_json = response.json()
# 是否还有分页数据,用于判断 return 的值
can_msg_continue = resp_json['can_msg_continue']
# 当前分页文章数
msg_count = resp_json['msg_count']
general_msg_list = json.loads(resp_json['general_msg_list'])
list = general_msg_list.get('list')
print(list, "**************")
最后打印的 list 就是公众号的文章信息详情。包括标题 (titile)、摘要(digest)、文章地址(content_url)、阅读原文地址(source_url)、封面图(cover)、作者(author) 等等 …
输出结果如下:
[{
"comm_msg_info": {
"id": 1000000038,
"type": 49,
"datetime": 1560474000,
"fakeid": "3881067844",
"status": 2,
"content": ""},"app_msg_ext_info": {"title":" 入门爬虫,这一篇就够了!!!","digest":" 入门爬虫,这一篇就够了!!!","content":"",
"fileid": 0,
"content_url": "http:XXXXXX",
"source_url": "","cover":"I5kME6BVXeLibZDUhsiaEYiaX7zOoibxa9sb4stIwrfuqID5ttmiaoVAFyxKF6IjOCyl22vg8n2NPv98ibow\\/0?wx_fmt=jpeg","subtype": 9,"is_multi": 0,"multi_app_msg_item_list": [],"author":"Python3X","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
}
},{...},{...},{...},{...},{...},{...},{...},{...},{...}]
获取数据之后,可以保存到数据库中,也可以将文章保存在 PDF 中。
1、保存在 Mongo 中
# Mongo 配置
conn = MongoClient('127.0.0.1', 27017)
db = conn.wx #连接 wx 数据库,没有则自动创建
mongo_wx = db.article #使用 article 集合,没有则自动创建
for i in list:
app_msg_ext_info = i['app_msg_ext_info']
# 标题
title = app_msg_ext_info['title']
# 文章地址
content_url = app_msg_ext_info['content_url']
# 封面图
cover = app_msg_ext_info['cover']
# 发布时间
datetime = i['comm_msg_info']['datetime']
datetime = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(datetime))
mongo_wx.insert({
'title': title,
'content_url': content_url,
'cover': cover,
'datetime': datetime
})
结果如下
2、导入到 PDF 文件中
Python3 中常用的操作 PDF 的库有 python-pdf 和 pdfkit。我用了 pdfkit 这个模块导出 pdf 文件。
pdfkit 是工具包 Wkhtmltopdf 的封装类,因此需要安装 Wkhtmltopdf 才能使用。
可以访问 https://wkhtmltopdf.org/downl… 下载和操作系统匹配的工具包。
实现代码也比较简单,只需要传入导入文件的 url 即可。
安装 pdfkit 库
pip3 install pdfkit -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
import pdfkit
pdfkit.from_url('公众号文章地址', 'out.pdf')
运行之后成功导出 pdf 文件。
以上就是获取公众号文章的方式,如需完整代码,可在公众号 [python3xxx] 中回复 朋友圈 获取完整代码!
正文完