一 使用 Fiddler 抓包分析公众号
首先在pc段打开fiddler并清空之前的抓包记录(前提条件是:fiddler已经在pc能正常抓取浏览器的http和https请求)
然后,在pc端打开微信随便选择一个公众号,查看公众号的所有历史文章列表
然后:
然后,进入历史消息:(这一步开始有抓包记录)
进入新闻列表页面了。
查看fiddler的包数据,可以分析此条请求是得到列表页的
1、服务器的响应结果,200 表示服务器对该请求响应成功
2、请求协议,微信的请求协议都是基 于HTTPS 的,所以Fiddle一定要配置好,不然你看不到 HTTPS 的请求。
3、请求路径,包括了请求方法(GET),请求协议(HTTP/1.1),请求路径(/mp/profile_ext...后面还有很长一串参数)
4、包括Cookie信息在内的请求头。
5、微信服务器返回的响应数据。
请求信息:
响应信息:
找到新闻列表页的文章了。
确定微信公众号的请求HOST是 mp.weixin.qq.com 之后,我们可以使用过滤器来过滤掉不相关的请求。
爬虫的基本原理就是模拟浏览器发送 HTTP 请求,然后从服务器得到响应结果,现在我们就用 Python 实现如何发送一个 HTTP 请求。这里我们使用 requests 库来发送请求。
二 拷贝URL和请求头
- 1:找到完整URL请求地址
- 2:找到完整的请求头(headers)信息,Headers里面包括了cookie、User-agent、Host 等信息
我们直接从 Fiddler 请求中拷贝 URL 和 Headers, 右键 -> Copy -> Just Url/Headers Only
url = 'https://mp.weixin.qq.com/mp/profile_ext' \
'?action=home' \
'&__biz=MzA5MTAxMjEyMQ==' \
'&scene=126' \
'&bizpsid=0' \
'&devicetype=android-23' \
'&version=2607033c' \
'&lang=zh_CN' \
'&nettype=WIFI' \
'&a8scene=3' \
'&pass_ticket=LvcLsR1hhcMXdxkZjCN49DcQiOsCdoeZdyaQP3m5rwXkXVN7Os2r9sekOOQULUpL' \
'&wx_header=1'
因为 requests.get 方法里面的 headers 参数必须是字典对象,所以,先要写个函数把刚刚拷贝的字符串转换成字典对象。
def headers_to_dict(headers):
"""
将字符串
'''
Host: mp.weixin.qq.com
Connection: keep-alive
Cache-Control: max-age=
'''
转换成字典对象
{
"Host": "mp.weixin.qq.com",
"Connection": "keep-alive",
"Cache-Control":"max-age="
}
:param headers: str
:return: dict
"""
headers = headers.split("\n")
d_headers = dict()
for h in headers:
if h:
k, v = h.split(":", 1)
d_headers[k] = v.strip()
return d_headers
公众号历史文章数据就在 response.text 中。如果返回的内容非常短,而且title标签是<title>验证</title>,
那么说明你的请求参数或者请求头有误,最有可能的一种请求就是 Headers 里面的 Cookie 字段过期,
从手机微信端重新发起一次请求获取最新的请求参数和请求头试试
response = requests.get(url, headers=headers_to_dict(headers), verify=False)
print(response.text)
if '<title>验证</title>' in response.text:
raise Exception("获取微信公众号文章失败,可能是因为你的请求参数有误,请重新获取")
# with open("weixin_history.html", "w", encoding="utf-8") as f:
# f.write(response.text)
历史文章封装在叫 msgList 的数组中(实际上该数组包装在字典结构中),这是一个 Json 格式的数据,但是里面还有 html 转义字符需要处理
写一个方法提取出历史文章数据,分三个步骤,首先用正则提取数据内容,然后 html 转义处理,最终得到一个列表对象,返回最近发布的10篇文章
def extract_data(html_content):
"""
从html页面中提取历史文章数据
:param html_content 页面源代码
:return: 历史文章列表
"""
import re
import html
import json
rex = "msgList = '({.*?})'" # 正则表达
pattern = re.compile(pattern=rex, flags=re.S)
match = pattern.search(html_content)
if match:
data = match.group(1)
data = html.unescape(data) # 处理转义
# print('data: {}'.format(data))
data = json.loads(data)
articles = data.get("list")
for item in articles:
print(item)
return articles
最终提取出来的数据总共有10条,就是最近发表的10条数据,我们看看每条数据返回有哪些字段。
发送时间对应comm_msg_info.datetime,app_msg_ext_info中的字段信息就是第一篇文章的字段信息,分别对应:
- title:文章标题
- content_url:文章链接
- source_url:原文链接,有可能为空
- digest:摘要
- cover:封面图
- datetime:推送时间
后面几篇文章以列表的形式保存在 multi_app_msg_item_list 字段中。
详细代码
import requests
url = 'https://mp.weixin.qq.com/mp/profile_ext' \
'?action=home' \
'&__biz=MzA5MTAxMjEyMQ==' \
'&scene=126' \
'&bizpsid=0' \
'&devicetype=android-23' \
'&version=2607033c' \
'&lang=zh_CN' \
'&nettype=WIFI' \
'&a8scene=3' \
'&pass_ticket=LvcLsR1hhcMXdxkZjCN49DcQiOsCdoeZdyaQP3m5rwXkXVN7Os2r9sekOOQULUpL' \
'&wx_header=1'
headers ='''
Host: mp.weixin.qq.com
Connection: keep-alive
User-Agent: Mozilla/5.0 (Linux; Android 6.0.1; OPPO R9s Build/MMB29M; wv) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/57.0.2987.132 MQQBrowser/6.2 TBS/044405 Mobile Safari/537.36 MMWEBID/5576 MicroMessenger/6.7.3.1360(0x2607033C) NetType/WIFI Language/zh_CN Process/toolsmp
x-wechat-key: d2bc6fe213fd0db717e11807caca969ba1d7537e57fc89f64500a774dba05a4f1a83ae58a3d039efc6403b3fa70ebafb52cfd737b350b58d0dca366b5daf92027aaefcb094932df5a18c8764e98703dc
x-wechat-uin: MTA1MzA1Nzk4Mw%3D%3D
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,image/wxpic,image/sharpp,image/apng,image/tpg,/;q=0.8
Accept-Encoding: gzip, deflate
Accept-Language: zh-CN,en-US;q=0.8
Q-UA2: QV=3&PL=ADR&PR=WX&PP=com.tencent.mm&PPVN=6.7.3&TBSVC=43620&CO=BK&COVC=044405&PB=GE&VE=GA&DE=PHONE&CHID=0&LCID=9422&MO= OPPOR9s &RL=1080*1920&OS=6.0.1&API=23
Q-GUID: edb298c301f35e6c59298f2313b788cb
Q-Auth: 31045b957cf33acf31e40be2f3e71c5217597676a9729f1b
'''
def headers_to_dict(headers):
"""
将字符串
'''
Host: mp.weixin.qq.com
Connection: keep-alive
Cache-Control: max-age=
'''
转换成字典对象
{
"Host": "mp.weixin.qq.com",
"Connection": "keep-alive",
"Cache-Control":"max-age="
}
:param headers: str
:return: dict
"""
headers = headers.split("\n")
d_headers = dict()
for h in headers:
if h:
k, v = h.split(":", 1)
d_headers[k] = v.strip()
return d_headers
# with open("weixin_history.html", "w", encoding="utf-8") as f:
# f.write(response.text)
def extract_data(html_content):
"""
从html页面中提取历史文章数据
:param html_content 页面源代码
:return: 历史文章列表
"""
import re
import html
import json
rex = "msgList = '({.*?})'" # 正则表达
pattern = re.compile(pattern=rex, flags=re.S)
match = pattern.search(html_content)
if match:
data = match.group(1)
data = html.unescape(data) # 处理转义
# print('data: {}'.format(data))
data = json.loads(data)
articles = data.get("list")
return articles
def crawl():
"""
爬取文章
:return:
"""
response = requests.get(url, headers=headers_to_dict(headers), verify=False)
print(response.text)
if '<title>验证</title>' in response.text:
raise Exception("获取微信公众号文章失败,可能是因为你的请求参数有误,请重新获取")
data = extract_data(response.text)
for item in data:
print(item['app_msg_ext_info'])
if __name__ == '__main__':
crawl()