如何通過50行Python代碼獲取公眾號全部文章

更新時間：2019年07月12日 10:08:43 作者：千鋒Python唐唐君

這篇文章主要介紹了如何通過50行Python代碼獲取公眾號全部文章,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下

前言

我們平時閱讀公眾號的文章會遇到一個問題——閱讀歷史文章體驗不好。

我們知道爬取公眾號的方式常見的有兩種：通過搜狗搜索去獲取，缺點是只能獲取最新的十條推送文章。通過微信公眾號的素材管理，獲取公眾號文章。缺點是需要申請自己的公眾號。

今天介紹一種通過抓包PC端微信的方式去獲取公眾號文章的方法。相比其他的方法非常方便。

如上圖，通過抓包工具獲取微信的網(wǎng)絡信息請求，我們發(fā)現(xiàn)每次下拉刷新文章的時候都會請求 mp.weixin.qq.com/mp/xxx （公眾號不讓添加主頁鏈接，xxx表示profile_ext）這個接口。

經(jīng)過多次測試分析，用到了以下幾個參數(shù)

__biz : 用戶和公眾號之間的唯一id
uin ：用戶的私密id
key ：請求的秘鑰，一段時候只會就會失效
offset ：偏移量
count ：每次請求的條數(shù)

數(shù)據(jù)如下

{
 "ret": 0,
 "errmsg": "ok", # 請求狀態(tài)
 "msg_count": 10, # 信息條數(shù)
 "can_msg_continue": 1, # 是否還可以繼續(xù)獲取，1代表可以。0代表不可以，也就是最后一頁
 "general_msg_list": "{"list":[]}", # 公眾號文本信息
 "next_offset": 20, 
 "video_count": 1,
 "use_video_tab": 1,
 "real_type": 0,
 "home_page_list": []
}

部分代碼如下

 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()
 # 是否還有分頁數(shù)據(jù)， 用于判斷return的值
 can_msg_continue = resp_json['can_msg_continue']
 # 當前分頁文章數(shù)
 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就是公眾號的文章信息詳情。包括標題(titile)、摘要(digest)、文章地址(content_url)、閱讀原文地址(source_url)、封面圖(cover)、作者(author)等等...

輸出結果如下：

[{
 "comm_msg_info": {
 "id": 1000000038,
 "type": 49,
 "datetime": 1560474000,
 "fakeid": "3881067844",
 "status": 2,
 "content": ""
 },
 "app_msg_ext_info": {
 "title": "入門爬蟲，這一篇就夠了！?。?,
 "digest": "入門爬蟲，這一篇就夠了！??！",
 "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
 }
},{...},{...},{...},{...},{...},{...},{...},{...},{...}]

獲取數(shù)據(jù)之后，可以保存到數(shù)據(jù)庫中，也可以將文章保存在PDF中。

1、保存在Mongo中

# Mongo配置
conn = MongoClient('127.0.0.1', 27017)
db = conn.wx #連接wx數(shù)據(jù)庫，沒有則自動創(chuàng)建
mongo_wx = db.article #使用article集合，沒有則自動創(chuàng)建
for i in list:
 app_msg_ext_info = i['app_msg_ext_info']
 # 標題
 title = app_msg_ext_info['title']
 # 文章地址
 content_url = app_msg_ext_info['content_url']
 # 封面圖
 cover = app_msg_ext_info['cover']
 # 發(fā)布時間
 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
 })

結果如下

2、導入到PDF文件中

Python3中常用的操作PDF的庫有python-pdf和pdfkit。我用了pdfkit這個模塊導出pdf文件。

pdfkit是工具包Wkhtmltopdf的封裝類，因此需要安裝Wkhtmltopdf才能使用。

可以訪問 https://wkhtmltopdf.org/downloads.html 下載和操作系統(tǒng)匹配的工具包。

實現(xiàn)代碼也比較簡單，只需要傳入導入文件的url即可。

安裝pdfkit庫

pip3 install pdfkit -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
 import pdfkit
pdfkit.from_url('公眾號文章地址', 'out.pdf')

運行之后成功導出pdf文件。

完整代碼

import requests
import json
import time
from pymongo import MongoClient
url = 'http://mp.weixin.qq.com/mp/xxx'（公眾號不讓添加主頁鏈接，xxx表示profile_ext)
# Mongo配置
conn = MongoClient('127.0.0.1', 27017)
db = conn.wx #連接wx數(shù)據(jù)庫，沒有則自動創(chuàng)建
mongo_wx = db.article #使用article集合，沒有則自動創(chuàng)建
def get_wx_article(biz, uin, key, index=0, count=10):
 offset = (index + 1) * count
 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()
 # 是否還有分頁數(shù)據(jù)， 用于判斷return的值
 can_msg_continue = resp_json['can_msg_continue']
 # 當前分頁文章數(shù)
 msg_count = resp_json['msg_count']
 general_msg_list = json.loads(resp_json['general_msg_list'])
 list = general_msg_list.get('list')
 print(list, "**************")
 for i in list:
 app_msg_ext_info = i['app_msg_ext_info']
 # 標題
 title = app_msg_ext_info['title']
 # 文章地址
 content_url = app_msg_ext_info['content_url']
 # 封面圖
 cover = app_msg_ext_info['cover']
 # 發(fā)布時間
 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
 })
 if can_msg_continue == 1:
 return True
 return False
 else:
 print('獲取文章異常...')
 return False
if __name__ == '__main__':
 biz = 'Mzg4MTA2Nzg0NA=='
 uin = 'NDIyMTI5NDM1'
 key = '20a680e825f03f1e7f38f326772e54e7dc0fd02ffba17e92730ba3f0a0329c5ed310b0bd55b3c0b1f122e5896c6261df2eaea4036ab5a5d32dbdbcb0a638f5f3605cf1821decf486bb6eb4d92d36c620'
 index = 0
 while 1:
 print(f'開始抓取公眾號第{index + 1} 頁文章.')
 flag = get_wx_article(biz, uin, key, index=index)
 # 防止和諧，暫停8秒
 time.sleep(8)
 index += 1
 if not flag:
 print('公眾號文章已全部抓取完畢，退出程序.')
 break
 print(f'..........準備抓取公眾號第{index + 1} 頁文章.')

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: