记一次微信公众号爬虫的经历

项目实现地址。查看我的Github地址

项目已经实现，比本文介绍的更加方便简单，可直接调用。

需求

某某微信公众号历史的所有文章的阅读数和点赞数

难点

微信公众号历史的所有文章（来源？？？）
每篇文章的阅读量和点赞量（电脑上浏览文章只显示内容，没有阅读量、点赞量、评论……）

突破难点一

搜狗微信搜索，可以搜索微信公众号文章。但是貌似只能显示该公众号最近十篇的文章。放弃……
利用抓包工具（Fiddler），抓取文章。成本有点大……，且貌似只能抓取原创文章。不符合个人需求，放弃……
利用微信个人订阅号进行爬取，神奇的操作。

操作

拥有一个微信个人订阅号，附上登陆和注册链接。微信公众平台
好在之前无聊注册过一次，所以就可以直接登陆操作。没有注册的童鞋可以用自己的微信号注册一下，过程十分简单，在此就不赘述了
登陆之后，点击左侧菜单栏“管理”-“素材管理”。再点击右边的“新建图文素材”
弹出一个新的标签页，在上面的工具栏找到“超链接”并点击
弹出了一个小窗口，选择“查找文章”，输入需要查找的公众号，这里用“科技美学”公众号作为例子
点击之后，可以弹出该公众号的所有历史文章

代码实现

# -*- coding: utf-8 -*-
import requests
import time
import json


# 目标url
url = "https://mp.weixin.qq.com/cgi-bin/appmsg"

# 使用Cookie，跳过登陆操作
headers = {
  "Cookie": yourcookie,
  "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36",
}

"""
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
"""
data = {
    "token": yourtoken,
    "lang": "zh_CN",
    "f": "json",
    "ajax": "1",
    "action": "list_ex",
    "begin": number,
    "count": "5",
    "query": "",
    "fakeid": yourfakeid,
    "type": "9",
}

# 使用get方法进行提交
content_json = requests.get(url, headers=headers, params=data).json()
# 返回了一个json，里面是每一页的数据
for item in content_json["app_msg_list"]:
    # 提取每页文章的标题及对应的url
    print(item["title"], "url": item["link"])

以上，即可爬取微信公众号的一页数据，如果是爬取所有页的数据，则需要改变number进行爬取。

注：每次抓取完一页之后，最好设定time.sleep(3)。过快会导致爬取失败

突破难点二

这里我使用的方法是在电脑上登陆微信客户端，进行抓包分析。从客户端看推文可以看到阅读量、点赞量。

我使用的是Fiddler。Fiddller具体使用就不赘述了。下面直接演示操作

操作

打开fiddler开始监控
登陆微信客户端，浏览该公众号的任意一篇推文
可以观察到这里的内容显示会有阅读量、点赞量、评论等
观察fiddler的监控数据，如下图显示

5. 其中/mp/getappmgsext?...是我们推文内容的url，双击之后，fiddler界面右边出现如下图数据

6. 上图下侧的json里面的read_num、like_num分别是阅读量和点赞量

代码实现

import time
import requests
import json


# 目标url
url = "http://mp.weixin.qq.com/mp/getappmsgext"
# 添加Cookie避免登陆操作，这里的"User-Agent"最好为手机浏览器的标识
headers = {
    "Cookie": yourcookie,
    "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/3.43.27.400 QQBrowser/9.0.2524.400"
}
# 添加data，`req_id`、`pass_ticket`分别对应文章的信息，从fiddler复制即可。不过貌似影响不大
data = {
    "is_only_read": "1",
    "req_id": yourreq_id,
    "pass_ticket": yourpass_ticket,
    "is_temp_url": "0",
}
"""
添加请求参数
__biz对应公众号的信息，唯一
mid、sn、idx分别对应每篇文章的url的信息，需要从url中进行提取
key、appmsg_token从fiddler上复制即可
pass_ticket对应的文章的信息，貌似影响不大，也可以直接从fiddler复制
"""
params = {
    "__biz": your__biz,
    "mid": article_mid,
    "sn": article_sn,
    "idx": article_idx,
    "key": yourkey,
    "pass_ticket": pass_ticket,
    "appmsg_token": yourappmsg_token,
}
# 使用post方法进行提交
content = requests.post(url, headers=headers, data=data, params=params).json()

# 由于上面这种方法可能会获取数据失败，可以采取字符串拼接这种方法
origin_url = "https://mp.weixin.qq.com/mp/getappmsgext?"
appmsgext_url = origin_url + "__biz={}&mid={}&sn={}&idx={}&appmsg_token={}&x5=1".format(your__biz, article_mid, article_sn, article_idx, yourappmsg_token)
content = requests.post(appmsgext_url, headers=headers, data=data).json()

# 提取其中的阅读数和点赞数
print(content["appmsgstat"]["read_num"], content["appmsgstat"]["like_num"])

以上即可获取到一篇文章的阅读量、点赞量。
Cookie、req_id、pass_ticket、key、appmsg_token、__biz利用fiddler获取
如果是需要多篇文章，需要更改的参数mid、sn、idx
如果是不同公众号，就需要根据url修改__biz
多篇文章的爬取，需要根据之前爬取到的url进行提取关键信息，分别爬取。
注：每次抓取完一页之后，最好设定time.sleep(3)。过快会导致爬取失败。

写在最后

以上就是这次微信爬虫的经历。

需要掌握的基本技能：

python爬虫的语法
Chrome、Fiddler基本使用
网络爬虫基本常识

以上代码不完善的点:

使用Cookie登陆，未实现自动登陆
key、appmsg_token一些关键参数需要进行手动获取
实际运行之后，就算设定了爬取间隙时间，还是会被封禁。

说明：

网上一些说法，key半小时过期，我好像没有遇到。
代码中若有细节问题，欢迎指出讨论

Github上已经实现了第1、2点，欢迎回到文章开头看github上的实现过程。

有问题欢迎联系，QQ: 1003324213

关于被封禁的问题，已找到更好的解决方案，大约一次提升10倍的爬取量，欢迎付费咨询。