Python 爬取微信公众号文章保存到数据库
发布于: 2020 年 08 月 07 日
抓包工具 Charles 安装
下载 Charles 进行安装
配置 Charles
本文环境
Windows 10
Charles v4.5.6
电脑版微信 2.9.5.41
复制代码
抓取配置
打开 Charles
打开需要抓取的微信公众号
https 配置 SSL 代理
Charles提示信息
Charles配置SSL代理流程
鼠标往下滑动微信公众号文章,同时观察 Charles
MySql 表结构脚本
CREATE TABLE `wjchenge` (
`id` int(10) unsigned NOT NULL AUTO_INCREMENT,
`title` varchar(255) COLLATE utf8mb4_unicode_ci DEFAULT NULL,
`digest` varchar(255) COLLATE utf8mb4_unicode_ci DEFAULT NULL,
`content_url` varchar(255) CHARACTER SET utf8 DEFAULT NULL,
`cover` varchar(255) CHARACTER SET utf8 DEFAULT NULL,
`datetime` int(11) DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci;
复制代码
Python 脚本
# -*- coding: utf-8 -*-
import requests
import time
import random
from mysql.connector import connect
import emoji
# 目标url
url = "https://mp.weixin.qq.com/mp/profile_ext"
headers = {
"Host": "mp.weixin.qq.com",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:74.0) Gecko/20100101 Firefox/74.0",
"Accept": "*/*",
"Accept-Language": "zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2",
"Accept-Encoding": "gzip, deflate, br",
"X-Requested-With": "XMLHttpRequest",
"DNT": "1",
"Connection": "keep-alive",
"Referer": "https://mp.weixin.qq.com/cgi-bin/appmsg?t=media/appmsg_edit&action=edit&type=10&isMul=1&lang=zh_CN&token=1043021413",
"Pragma": "no-cache",
"Cache-Control": "no-cache",
"TE": "Trailers",
}
# 每个公众号固定参数
biz = 'MzU3MDc4MDk0Mw=='
# 隔段时间就需要更新的参数
key = '10b5f81a683662236f8e935602059f39ece87145d94e5d3f1f859ccae3578becca7c902d7c8d10c80b451121638d632b36a8e0bb91e7caeb7127eef53a20adc1ff331bb1b2208f770a07bf8d2638a6e6'
pass_ticket = 'bfo9QKq00RxUloXOxKcYnoFLtyVNyCJQNYipZgleCL+fo36wPTHriFEASbENfJM3'
appmsg_token = '1073_dDGYR6k4L8i8jn93AlZZsHhVaoMQGQ56DlYznA~~'
"""
需要提交的data
以下个别字段是否一定需要还未验证。
注意修改yourtoken,number
number表示从第number页开始爬取,为5的倍数,从0开始。如0、5、10……
token可以使用Chrome自带的工具进行获取
fakeid是公众号独一无二的一个id,等同于后面的__biz
"""
def getData(number):
data = {
'action': 'getmsg',
'__biz': biz,
'f': 'json',
'offset': number,
'count': 10,
'is_ok': 1,
'scene': 124,
'uin': 'Mjc1ODc2ODgyMA==',
'key': key,
'pass_ticket': pass_ticket,
'wxtoken': '',
'appmsg_token': appmsg_token,
'x5': 0,
'f': 'json',
}
# 使用get方法进行提交
content_json = requests.get(url, headers=headers, params=data).json()
general_msg_list = eval(content_json["general_msg_list"])
# 返回了一个json,里面是每一页的数据
for item in general_msg_list["list"]:
comm_msg_info = item["comm_msg_info"]
app_msg_ext_info = item["app_msg_ext_info"]
# 爬取到2019-12-01号的文章
if comm_msg_info["datetime"] < 1575161671:
return 0
# 提取每页文章的标题及对应的url
print(number, "||", app_msg_ext_info["title"], "||", app_msg_ext_info["digest"], "||",
app_msg_ext_info["content_url"], "||", app_msg_ext_info["cover"], "||", comm_msg_info["datetime"])
insertMsqlDb(app_msg_ext_info["title"], app_msg_ext_info["digest"], app_msg_ext_info["content_url"],
app_msg_ext_info["cover"], comm_msg_info["datetime"])
# 多级嵌套
for item2 in app_msg_ext_info["multi_app_msg_item_list"]:
print(number, "||", item2["title"], "||", item2["digest"], "||", item2["content_url"], "||", item2["cover"],
"||", comm_msg_info["datetime"])
insertMsqlDb(item2["title"], item2["digest"], item2["content_url"],
item2["cover"], comm_msg_info["datetime"])
return content_json["can_msg_continue"]
# 数据写入数据库
def insertMsqlDb(title, digest, content_url, cover, datetime):
try:
conn = connect(host='127.0.0.1', port='3306', user='root', password='123456', database='test')
cursor = conn.cursor()
# 微信表情字符存入mysql不兼容报错,通过emoji处理一下
cursor.execute(
'insert into wjchenge (title, digest, content_url, cover, datetime) values (%s, %s, %s, %s, %s)',
[emoji.demojize(title), emoji.demojize(digest), content_url, cover, datetime])
conn.commit()
except Exception as e:
print('Error:', e)
raise
finally:
cursor.close()
conn.close
# 下一页指针位置
next_offset = 0
# 1 表示有下一页 0表示没有下一页
can_msg_continue = getData(next_offset)
while can_msg_continue > 0:
next_offset += 10
# 每次间隔5-9秒
time.sleep(random.randint(5, 9))
can_msg_continue = getData(next_offset)
复制代码
运行 python 脚本结果
pyhton日志
MySQL记录
划线
评论
复制
发布于: 2020 年 08 月 07 日阅读数: 117
版权声明: 本文为 InfoQ 作者【wjchenge】的原创文章。
原文链接:【http://xie.infoq.cn/article/4cfb8c32a7bb9a4121390c2e6】。文章转载请联系作者。
wjchenge
关注
还未添加个人签名 2018.07.27 加入
还未添加个人简介
评论 (2 条评论)