很多的微信公眾號都提供了質量比較高的文章閱讀府树，對于自己喜歡的微信公眾號，所以想做個微信公眾號爬蟲偎蘸，爬取相關公眾號的所有文章庄蹋。抓取公眾號的所有的文章，需要獲取兩個比較重要的參數迷雪。一個是微信公眾號的唯一ID(__biz)和獲取單一公眾號的文章權限值wap_sid2限书。接下來說一下思路。
- 爬取思路：
- 要想獲取微信公眾號的爬蟲章咧，首先要唯一標識這個微信公眾號倦西，所以要獲取這個微信公眾號的id值(即__biz)×扪希看了比較多的相關文章扰柠，很多獲取__biz的值比較機械，單純手動復制取__biz疼约；現在搜狗引擎與微信公眾號對接卤档，為我們提供了一個很好的獲取途徑，微信公眾號源碼里面有該號的__biz值(可以從這個途徑獲取)程剥；但是搜狗引擎對微信公眾號有限制劝枣，只顯示最近10條文章，所以我們單純只從搜狗引擎獲取__biz值和通過搜狗搜索任意關鍵詞公眾號列表织鲸。
- 下面是搜狗搜索微信公眾號的URL地址舔腾，其中query的python是搜索的關鍵詞，其他可以不變搂擦。
http://weixin.sogou.com/weixin?type=1&s_from=input&query=python&ie=utf8&_sug_=n&_sug_type_=- 下面是搜索的結果頁面：
搜索結果
- 查看源代碼稳诚，可以發(fā)現每一個公眾號的鏈接，都是位于id為sougou_vr_11002301_box_n(n為整數如1,2,3等)下面的a標簽href屬性值盾饮。通過xpath語法可以獲取采桃，其中n的位置可以按規(guī)律順序獲壤廖酢：
//*[@id="sogou_vr_11002301_box_n"]/div/div[2]/p[1]/a
- 獲取到單個公眾號的地址如下所示：
http://mp.weixin.qq.com/profile?src=3×tamp=1508003829&ver=1&signature=Eu9LOYSA47p6WE0mojhMtFR-gSr7zsQOYo6*w5VxrUgy7RbCsdkuzfFQ1RiSgM3i9buMZPrYzmOne6mJxCtW*g==
- 打開單個公眾號鏈接丘损，獲取公眾號源碼普办，取其中微信公眾號的id值：
只有10條文章達不到要求
//其中biz值就是微信公眾號的唯一id值。前面和后面省略了大部分代碼徘钥；該段代碼位于script標簽里面衔蹲；該代碼還有最近10條文章的數據，如果單純想獲取最近10條呈础，可以通過正則表達式來直接獲取
var biz = "MzIwNDA1OTM4NQ==" || "";
var src = "3" ;
var ver = "1" ;
var timestamp = "1508003829" ;
var signature = "Eu9LOYSA47p6WE0mojhMtFR-gSr7zsQOYo6*w5VxrUgy7RbCsdkuzfFQ1RiSgM3i9buMZPrYzmOne6mJxCtW*g==" ;
var name="python6359"||"python";
-
- 獲取到微信公眾號的id值之后舆驶，就是要獲取wap_sid值(即單個微信公眾號的文章權限值。)這個部分從微信客戶端獲取而钞，接下來通過Fiddler抓包工具獲取沙廉，如果不知道抓包工具的環(huán)境搭建，可以參考 fiddler抓取摩拜單車數據包
- 獲取微信公眾號文章的權限值的url：
GET /mp/profile_ext?action=home&__biz=MjM5MDI1ODUyMA==&scene=124&devicetype=iOS10.0.1&version=16051220&lang=zh_CN&nettype=WIFI&a8scene=3&fontScale=100&pass_ticket=ji%2B3JbA2NNExGwdNCoIa91sbgwDmSmHsdZhHP5eo%2Bgun%2By2V3lxc34GQy3W5u8mE&wx_header=1 HTTP/1.1- 相應的請求頭,其中x-wechat-key是隔段時間更換一次臼节，所以需要定時更換一次撬陵；X-WECHAT-UIN可以不變。pass_ticket也可以一段時間內不做改變网缝，：
'Host':'mp.weixin.qq.com', # 'X-WECHAT-KEY': 'a83687cde3ca46be517cdbcba60732159f229a03507e9afa1e0dfee00e3cf00562aee022e84b9011924fdbb0c7af8c647c33b1338b11ebdc8893d5df41dd34a536e1af5b48d15c87b4aef629ad8685f3', 'X-WECHAT-KEY': '33c1fdebcfc1d1ecd9df5003dc9d9ccb6a1f5458eb704e58a05e80c73e8793dede6b52115a74a515d4d12c9a6f2d8f00238afe17cca3635d80d661a612a4a0bf48a2547516b12030efd8a224548636d2', 'X-WECHAT-UIN':'MTU2MzIxNjQwMQ%3D%3D', 'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', 'User-Agent':'Mozilla/5.0 (iPhone; CPU iPhone OS 10_0_1 like Mac OS X) AppleWebKit/602.1.50 (KHTML, like Gecko) Mobile/14A403 MicroMessenger/6.5.18 NetType/WIFI Language/zh_CN', 'Accept-Language':'zh-cn', 'Accept-Encoding':'gzip, deflate', 'Connection':'keep-alive', 'Cookie':'wxuin=1563216401;pass_ticket=oQDl45NRtfvQIxv2j2pYDSOOeflIXU7V3x1TUaOTpi6SkMp2B3fJwF6TE40ATCpU;ua_id=Wz1u21T8nrdNEyNaAAAAAOcFaBcyz4SH5DoQIVDcnao=;pgv_pvid=7103943278;sd_cookie_crttime=1501115135519;sd_userid=8661501115135519;3g_guest_id=-8872936809911279616;tvfe_boss_uuid=8ed9ed1b3a838836;mobileUV=1_15c8d374ca8_da9c8;pgv_pvi=8005854208', 'Referer':"https://mp.weixin.qq.com/mp/getmasssendmsg?__biz=MjM5MzI5MTQ1Mg==&devicetype=iOS10.0.1&version=16051220&lang=zh_CN&nettype=WIFI&ascene=3&fontScale=100&pass_ticket=oQDl45NRtfvQIxv2j2pYDSOOeflIXU7V3x1TUaOTpi6SkMp2B3fJwF6TE40ATCpU&wx_header=1"- 上面的請求url獲取的返回響應頭巨税，是設置wap_sid2獲取單一公眾號文章的權限值,我們就是要獲取set-cookies中的wap-sid2值。：
HTTP/1.1 200 OK Content-Type: text/html; charset=UTF-8 Cache-Control: no-cache, must-revalidate Strict-Transport-Security: max-age=15552000 Set-Cookie: wxuin=1563216401; Path=/; HttpOnly Set-Cookie: pass_ticket=ji+3JbA2NNExGwdNCoIa91sbgwDmSmHsdZhHP5eo+gun+y2V3lxc34GQy3W5u8mE; Path=/; HttpOnly Set-Cookie: wap_sid2=CJGUs+kFElxER01KN1ZkVElJMUdhTktDUUk2LUZHNkFwT1Rzc1EwUWpWaW5ZMHlFQi15cUo1VWFjamNLM3pjdzNCbDc2ZFZpOW0xeDdPb0czWXNuQUdmbVdyOFZiNTREQUFBfjC+7YvPBTgMQJRO; Path=/; HttpOnly Connection: keep-alive Content-Length: 37211- 獲取到公眾號id值__biz和權限值wap_sid2粉臊；我們就可以構造請求獲取文章列表了草添。其中mongodb操作是為了獲取公眾號id值，然后根據id值扼仲，獲取wap_sid2值远寸，然后把id值和wap_sid2對應入庫。
# -*- coding: utf-8 -*- from scrapy import Spider,Request from .mongo import MongoOperate import re from wechatSpider.items import GetsessionspiderItem from .settings import * class GetsessionSpider(Spider): name = "getSession" allowed_domains = ["mp.weixin.qq.com"] start_urls = ['https://mp.weixin.qq.com/'] headers={ 'Host':'mp.weixin.qq.com', # 'X-WECHAT-KEY': 'a83687cde3ca46be517cdbcba60732159f229a03507e9afa1e0dfee00e3cf00562aee022e84b9011924fdbb0c7af8c647c33b1338b11ebdc8893d5df41dd34a536e1af5b48d15c87b4aef629ad8685f3', 'X-WECHAT-KEY': '33c1fdebcfc1d1ecd9df5003dc9d9ccb6a1f5458eb704e58a05e80c73e8793dede6b52115a74a515d4d12c9a6f2d8f00238afe17cca3635d80d661a612a4a0bf48a2547516b12030efd8a224548636d2', 'X-WECHAT-UIN':'MTU2MzIxNjQwMQ%3D%3D', 'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', 'User-Agent':'Mozilla/5.0 (iPhone; CPU iPhone OS 10_0_1 like Mac OS X) AppleWebKit/602.1.50 (KHTML, like Gecko) Mobile/14A403 MicroMessenger/6.5.18 NetType/WIFI Language/zh_CN', 'Accept-Language':'zh-cn', 'Accept-Encoding':'gzip, deflate', 'Connection':'keep-alive', 'Cookie':'wxuin=1563216401;pass_ticket=oQDl45NRtfvQIxv2j2pYDSOOeflIXU7V3x1TUaOTpi6SkMp2B3fJwF6TE40ATCpU;ua_id=Wz1u21T8nrdNEyNaAAAAAOcFaBcyz4SH5DoQIVDcnao=;pgv_pvid=7103943278;sd_cookie_crttime=1501115135519;sd_userid=8661501115135519;3g_guest_id=-8872936809911279616;tvfe_boss_uuid=8ed9ed1b3a838836;mobileUV=1_15c8d374ca8_da9c8;pgv_pvi=8005854208', 'Referer':"https://mp.weixin.qq.com/mp/getmasssendmsg?__biz=MjM5MzI5MTQ1Mg==&devicetype=iOS10.0.1&version=16051220&lang=zh_CN&nettype=WIFI&ascene=3&fontScale=100&pass_ticket=oQDl45NRtfvQIxv2j2pYDSOOeflIXU7V3x1TUaOTpi6SkMp2B3fJwF6TE40ATCpU&wx_header=1" } # 查看歷史消息列表屠凶，現在需要捕獲wap_sid2這個值驰后，來獲取訪問權限 url="https://mp.weixin.qq.com/mp/profile_ext?action=home&__biz={biz}&scene=124&devicetype=iOS10.0.1&version=16051220&lang=zh_CN&nettype=WIFI&a8scene=3&fontScale=100&pass_ticket=oQDl45NRtfvQIxv2j2pYDSOOeflIXU7V3x1TUaOTpi6SkMp2B3fJwF6TE40ATCpU&wx_header=1" def start_requests(self): MongoObj=MongoOperate(MONGO_URI,MONGO_DATABASE,MONGO_USER,MONGO_PASS,WECHATID) MongoObj.connect() items=MongoObj.finddata() for item in items: biz=item["wechatID"] yield Request(url=self.url.format(biz=biz),dont_filter=True,headers=self.headers,callback=self.parse,meta={"proxy":"http://127.0.0.1:8888","biz":biz}) def parse(self, response): item=GetsessionspiderItem() data=response.headers needCon=data["Set-Cookie"] wap=needCon.decode("utf-8") wap=wap.split(';') wap=wap[0].split('=') wap_sid2=wap[1] print(wap_sid2) item["biz"]=response.request.meta["biz"] item["wap_sid2"]=str(wap_sid2) yield item # print(item)
獲取的wap_sid2和__biz值
- 在mongoDB中保存著一個公眾號的id值及對應的wap_sid2值，接下來構造請求文章的值阅畴，也是獲取公眾號文章列表url倡怎。
# -*- coding: utf-8 -*-
import scrapy
from scrapy import Request
from .mongo import MongoOperate
import json
from .settings import *
class DataSpider(scrapy.Spider):
name = "data"
allowed_domains = ["mp.weixin.qq.com"]
start_urls = ['https://mp.weixin.qq.com/']
count=10
url="https://mp.weixin.qq.com/mp/profile_ext?action=getmsg&__biz={biz}&f=json&offset={index}&count=10&is_ok=1&scene=124&uin=777&key=777&pass_ticket=ULeI%2BILkTLA2IpuIDqbIla4jG6zBTm1jj75UIZCgIUAFzOX29YQeTm5UKYuXU6JY&wxtoken=&appmsg_token=925_%252B4oEmoVo6AFzfOotcwPrPnBvKbEdnLNzg5mK8Q~~&x5=0&f=json"
def start_requests(self):
MongoObj=MongoOperate(MONGO_URI,MONGO_DATABASE,MONGO_USER,MONGO_PASS,RESPONSE)
MongoObj.connect()
items=MongoObj.finddata()
for item in items:
headers={
'Accept-Encoding':'gzip, deflate',
'Connection':'keep-alive',
'Accept':'*/*',
'User-Agent': 'Mozilla/5.0 (iPhone; CPU iPhone OS 10_0_1 like Mac OS X) AppleWebKit/602.1.50 (KHTML, like Gecko) Mobile/14A403 MicroMessenger/6.5.18 NetType/WIFI Language/zh_CN',
'Accept-Language': 'zh-cn',
'X-Requested-With': 'XMLHttpRequest',
'X-WECHAT-KEY': '62526065241838a5d44f7e7e14d5ffa3e87f079dc50a66e615fe9b6169c8fdde0f7b9f36f3897212092d73a3a223ffd21514b690dd8503b774918d8e86dfabbf46d1aedb66a2c7d29b8cc4f017eadee6',
'X-WECHAT-UIN': 'MTU2MzIxNjQwMQ%3D%3D',
'Cookie':';wxuin=1563216401;pass_ticket=oQDl45NRtfvQIxv2j2pYDSOOeflIXU7V3x1TUaOTpi6SkMp2B3fJwF6TE40ATCpU;ua_id=Wz1u21T8nrdNEyNaAAAAAOcFaBcyz4SH5DoQIVDcnao=;pgv_pvid=7103943278;sd_cookie_crttime=1501115135519;sd_userid=8661501115135519;3g_guest_id=-8872936809911279616;tvfe_boss_uuid=8ed9ed1b3a838836;mobileUV=1_15c8d374ca8_da9c8;pgv_pvi=8005854208'
}
biz=item["biz"]
#主要驗證是wap_sid2;pass_ticket不一樣無所謂
headers["Cookie"]="wap_sid2="+item["wap_sid2"]+headers["Cookie"]
yield Request(url=self.url.format(biz=biz,index="10"),headers=headers,callback=self.parse,dont_filter=True,meta={"biz":biz,"headers":headers},)
def parse(self, response):
biz=response.request.meta["biz"]
headers=response.request.meta["headers"]
resText=json.loads(response.text)
print(resText)
list=json.loads(resText["general_msg_list"])
print(list)
yield list
if resText["can_msg_continue"]==1:
self.count=self.count+10
yield Request(url=self.url.format(biz=biz,index=str(self.count)),headers=headers,callback=self.parse,dont_filter=True,meta={"biz":biz,"headers":headers})
else:
print("end")
- 獲取到的數據如下圖所示：
最終捕獲的數據
- 在爬取的過程中，有時候經過抓包贱枣，想獲取一個重定向的網頁的響應頭监署；但是響應頭cookies已經設置read only，我們想通過這里獲取權限值纽哥，可以通過設置Fiddler的rules來生成保存響應文件钠乏。在微信文章爬取過程中，雖然也是想通過這種方式獲取權限值春塌。但是發(fā)覺自己是忽略了請求頭x-wechat-key和x-wechat-uin所以獲取不到晓避。所以這種方式在該項目并不需要簇捍。但是提供一種獲取動態(tài)設置cookies值，然后重定向到新頁面的響應頭方法俏拱，比如獲取 https://mp.weixin.qq.com/mp/profile_ext?action=home
查看FiddlerScript - 在Fiddler添加以下代碼,然后在桌面生成一個2.txt文件暑塑，上面保存返回的響應頭:
static function OnBeforeResponse(oSession: Session) {
if (oSession.HostnameIs("mp.weixin.qq.com") && oSession.uriContains("/mp/profile_ext?action=home")) {
oSession["ui-color"] = "orange";
oSession.SaveResponse("C:\\Users\\Administrator\\Desktop\\2.txt",false);
//oSession.SaveResponseBody("C:\\Users\\Administrator\\Desktop\\1.txt")
}
if (m_Hide304s && oSession.responseCode == 304) {
oSession["ui-hide"] = "true";
}
}
響應頭
哈哈
源代碼的readme.md文件介紹使用的方式，需要可以直接到github上面獲取源碼锅必，github源碼地址事格；喜歡的給個star喲。
其他類似文章
