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！