我比较喜欢看公众号,有时遇到一个感兴趣的公众号时,都会感觉相逢恨晚,想一口气看完所有历史文章。但是微信的阅读体验挺不好的,看历史文章得一页页的往后翻,下一次再看时还得重复操作,很是麻烦。
于是便想着能不能把某个公众号所有的文章都保存下来,这样就很方便自己阅读历史文章了。
话不多说,下面我就介绍如何使用 Python 爬取微信公众号所有文章的。
主要有以下步骤:
1 使用 Fiddler 抓取公众号接口数据
2 使用 Python 脚本获取公众号所有历史文章数据
3 保存历史文章
Fiddler 抓包
Fiddler 是一款抓包工具,可以监听网络通讯数据,开发测试过程中非常有用,这里不多做介绍。没有使用过的可以查看这篇文章,很容易上手。
/jingjingshizhu/article/details/80566191
接下来,使用微信桌面客户端,打开某个公众号的历史文章,这里以我的公众号举例,如下图。
如果你的 fiddler 配置好了的话,能够看到如下图的数据。
图中包含抓取的 url、一些重要的参数和我们想要的数据。
这些参数中,offset
控制着翻页,其他参数在每一页中都是固定不变的。
接口返回的数据结构如下图,其中can_msg_continue
字段控制着能否翻页,1 表示还有下一页,0 表示没有已经是最后一页了。next_offset
字段就是下一次请求的offset
参数。
构造请求,获取数据
接下来我们的目标就是根据 url 和一些参数,构建请求,获取标题、文章 url 和日期等数据,保存数据。
保存数据一种是使用 pdfkit 将 文章 url 保存为 pdf 文件;另一种是先保存 html 文件,然后将 html 制作成 chm 文件。
1 将 文章 url 保存为 pdf 文件,关键代码如下:
def parse(index, biz, uin, key):# url前缀url = "https://mp./mp/profile_ext"# 请求头headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 ""Safari/537.36 MicroMessenger/6.5.2.501 NetType/WIFI WindowsWechat QBCore/3.43.901.400 ""QQBrowser/9.0.2524.400",}proxies = {'https': None,'http': None,}# 重要参数param = {'action': 'getmsg','__biz': biz,'f': 'json','offset': index * 10,'count': '10','is_ok': '1','scene': '124','uin': uin,'key': key,'wxtoken': '','x5': '0',}# 发送请求,获取响应response = requests.get(url, headers=headers, params=param, proxies=proxies)response_dict = response.json()print(response_dict)next_offset = response_dict['next_offset']can_msg_continue = response_dict['can_msg_continue']general_msg_list = response_dict['general_msg_list']data_list = json.loads(general_msg_list)['list']# print(data_list)for data in data_list:try:# 文章发布时间datetime = data['comm_msg_info']['datetime']date = time.strftime('%Y-%m-%d', time.localtime(datetime))msg_info = data['app_msg_ext_info']# 文章标题title = msg_info['title']# 文章链接url = msg_info['content_url']# 自己定义存储路径(绝对路径)pdfkit.from_url(url, 'C:/Users/admin/Desktop/wechat_to_pdf/' + date + title + '.pdf')print(title + date + '成功')except:print("不是图文消息")if can_msg_continue == 1:return Trueelse:print('爬取完毕')return False
2 保存 html 文件,关键代码如下
def parse(index, biz, uin, key):# url前缀url = "https://mp./mp/profile_ext"# 请求头headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 ""Safari/537.36 MicroMessenger/6.5.2.501 NetType/WIFI WindowsWechat QBCore/3.43.901.400 ""QQBrowser/9.0.2524.400",}proxies = {'https': None,'http': None,}# 重要参数param = {'action': 'getmsg','__biz': biz,'f': 'json','offset': index * 10,'count': '10','is_ok': '1','scene': '124','uin': uin,'key': key,'wxtoken': '','x5': '0',}# 发送请求,获取响应reponse = requests.get(url, headers=headers, params=param, proxies=proxies)reponse_dict = reponse.json()# print(reponse_dict)next_offset = reponse_dict['next_offset']can_msg_continue = reponse_dict['can_msg_continue']general_msg_list = reponse_dict['general_msg_list']data_list = json.loads(general_msg_list)['list']print(data_list)for data in data_list:try:datetime = data['comm_msg_info']['datetime']date = time.strftime('%Y-%m-%d', time.localtime(datetime))msg_info = data['app_msg_ext_info']# 标题title = msg_info['title']# 内容的urlurl = msg_info['content_url'].replace("\\", "").replace("http", "https")url = html.unescape(url)print(url)res = requests.get(url, headers=headers, proxies=proxies)with open('C:/Users/admin/Desktop/test/' + title + '.html', 'wb+') as f:f.write(res.content)print(title + date + '成功')except:print("不是图文消息")if can_msg_continue == 1:return Trueelse:print('全部获取完毕')return False
保存文章
保存为 pdf 文件,用到了 python 的第三方库 pdfkit 和 wkhtmltopdf。
安装 pdfkit:
pip install pdfkit
安装 wkhtmltopdf:
下载地址:
/downloads.html
安装后将 wkhtmltopdf 目录下的 bin 添加到环境变量中。
保存为 chm 文件,可以下载 Easy CHM ,使用这个软件可以将 html 制作成 chm,使用教程网上比较多。
下载地址:
/cn/easychm.html
效果图:
pdf 和 chm 对比:
pdf 支持多终端,阅读体验好,但是有个大坑,就是微信文章保存的 pdf 没有图片,很影响阅读体验,暂未找到解决办法。
chm 的好处是可以建立索引,查看文章方便。一个公众号制作成一个 chm 文件,管理方便。不会出现图片不显示问题。
所以推荐将爬取到的公众号文章保存为 chm 文件,方便阅读。