分享一个使用“代理”的方式抓取微信公众账号文章，可以抓阅读数，点赞数，赞赏数和回复数，使用 anyproxy
lijinma · 2017-04-05 21:02:03 +08:00 · 11898 次点击这是一个创建于 2824 天前的主题，其中的信息可能已经有所发展或是发生改变。
首先，先看我写的文章，介绍现在微信公众账号可以抓取的方法：
这个工具是纯 node.js 代码，使用 anyproxy 做代理来抓取文章的。
安装：
$ npm install wechat_spider -g
具体安装和使用请查看 https://github.com/lijinma/wechat_spider
抓取完存储在 sqlite 中，可以导出 csv ，如图：
抓取思路：
- 使用中间人攻击的方式，安装根证书。
- 为了保证自动抓取分页，在每一页的后面添加：
<script>setTimeout(function(){window.location.href="下一个 url";},2000);</script>，动态修改下一个 url ，这样就可以保证一直抓下去。
这是一个完整的工具
我尽可能的在 README 中尽可能的把每一步都写得非常清楚，希望真的可以对你有用，尤其是媒体工作者，因为我这个工具就是为我一个做媒体的朋友写的，有任何问题，请提 Issue 。
我的公众账号
第 1 条附言 · 2017-04-06 09:56:33 +08:00
好多人收藏这个帖子，如果觉得有用，能给个 Star 吗。。。多谢。
 |
1
lijinma OP - 。- 没人理，睡觉去了
|
 |
2
anexplore 2017-04-05 23:17:03 +08:00 via iPhone
知乎上看过一样思路的文章 github 上有实现
|
 |
3
mingyun 2017-04-05 23:26:31 +08:00
安装失败了，不支持 py3
gyp ERR! configure error gyp ERR! stack Error: Python executable "d:\python3\python.EXE" is v3.5.2, which is not supported by gyp. gyp ERR! stack You can pass the --python switch to point to Python >= v2.5.0 & < 3.0.0. |
 |
5
sumuu 2017-04-06 01:03:59 +08:00
昨天也刚好做了一个抓取微信公众号的历史记录,不过实现方式有差异.
直接分析 Windows 客户端,模拟请求抓取的. |
 |
9
mooncakejs 2017-04-06 07:21:24 +08:00 via iPhone
这个还是麻烦了， xposed 去 WebView 注入一个 js 文件，可以随便怎么玩。
|
|
10
lijinma OP  1
|
|
11
lijinma OP @sumuu 嘿嘿，我这个工具，用 Windows 客户端 Mac 客户端都可以用，但是客户端是拿不到阅读数和点赞数的吧。列表都可以拿到。
|
|
12
lijinma OP @mooncakejs 确实，但是一般人都可以玩玩， xposed 高端玩家可以玩。
|
 |
13
fhefh 2017-04-06 09:50:04 +08:00
谢谢楼主分享
|
 |
15
yangxiongguo 2017-04-06 10:19:10 +08:00
感谢分享
|
 |
16
falseen 2017-04-06 10:19:37 +08:00 via Android
其实不一定要用代理的，仔细观察可以发现，出现验证码之后只要清空缓存或是用隐身模式就可以不用输验证码。它的实现原理是在出现验证码的时候检测 cookie ，如果是初次打开，则利用 js 做一系列的运算，最终得到一个免验证码的 cookie 。
我们可以利用这一点来绕过验证码。我曾经帮别人做过一个批量获取公众号文章的工具，就是利用这个方法实现的免验证码。我回头看一下有没有失效，如果没的话就把它放出来。 |
|
17
lijinma OP @falseen 恩恩，你说的是搜狗微信抓文章的，主要搜狗微信历史记录不全，而且 web 抓 不到点赞数和阅读数。才迫不得已使用代理的方式。
|
|
18
falseen 2017-04-06 11:30:54 +08:00
@lijinma 哦，我看错了。我还以为使用代理是为了绕过验证码呢~不好意思。你这个思路挺有意思的，赞一个！不过我有一个疑问，是不是每个公众号都要手动操作客户端 ？还是只要操作一次，之后就可以自动跳转了 ？
|
|
19
lijinma OP @falseen 可以的，但是我这个工具是没这么做的，我另外一个工具是这么做的，先采集好所有的公众号的 biz 参数，然后开始抓取，抓取完一个跳到另外一个账号的历史记录。
但是我这个工具就是想弄的简单点，大家直接可以完，然后看我的代码自己改改就可以随便抓了。 谢谢你的回复。 |
 |
20
MrFireAwayH 2017-04-06 11:58:43 +08:00 via Android
Win10 没法安装……显示没有 8.1 SDK 尝试了一些方案……还是没能解决😪😪😪
|
|
21
lijinma OP @MrFireAwayH 啊啊啊啊啊啊，你可以给我提个 issue 吗？把详细情况写一写，我想办法解决一下，虽然我用 Mac
|
|
22
lijinma OP @yangxiongguo 不客气
|
|
23
MrFireAwayH 2017-04-06 14:15:53 +08:00 via Android
@lijinma 提了……不知道说的够不够清楚……嘛~总之麻烦啦
|
|
24
lijinma OP @MrFireAwayH 说清楚了，看你的报错，应该是缺少 Windows SDK version 8.1
你试一下安装： https://developer.microsoft.com/en-us/windows/downloads/windows-8-1-sdk |
 |
25
sundyli 2017-04-06 15:08:00 +08:00
我是 golang 版本的作者, 支持一下 wechat_spider nodejs 版本的开源
|
|
27
MrFireAwayH 2017-04-06 15:31:08 +08:00 via Android
首先感谢分享 确实挺不错的……
其次……我想知道如何停止任务😶 不小心测试了一个火锅店……结果已经到 2014 年了……😂 停止程序也不能阻止 |
|
28
lijinma OP |
|
29
MrFireAwayH 2017-04-06 15:36:34 +08:00 via Android
@lijinma 我的意思是……不能退出任务😂 Ctrl+c 确实可以终止 spider 不过……再次开启 spider 后 他会继续跑上次没完成的任务……也就是那个历史悠久的火锅店 哪怕我手机这边换了别人的公众号
|
|
30
lijinma OP @MrFireAwayH 噢噢噢噢，明白了。 你换一个目录：
1. 跑列表的时候会生成一个 wechat.sqlite ，然后跑单个文章的是，从 wechat.sqlite 中拿那些没跑过的文章。 所以你换一个目录，就会在这个目录建立一个新的数据库。 我说明白了吗？ |
|
31
MrFireAwayH 2017-04-06 15:55:44 +08:00 via Android
@lijinma OK 了~
|
 |
32
laoertongzhi 2017-04-06 16:25:44 +08:00
感谢!
|
|
33
lijinma OP @laoertongzhi 客气，求个 Star..
|
|
34
lijinma OP @MrFireAwayH 你给的这个有问题的公众号奇怪了。。我等等有时间给你解决哈
|
 |
35
AlwaysBee 2017-04-06 17:18:58 +08:00
支持支持，当初看了 go 的实现后还想自己写一个 node 版本的，现在不用了，哈哈
|
|
36
AlwaysBee 2017-04-06 17:23:24 +08:00
另外借个楼，推荐一个自己开发的 wordpress 插件，一键导入公众号文章，支持批量导入， http://artizen.me/beepress
|
|
37
lijinma OP @AlwaysBee 哈哈， node 有方便的 anyproxy ，确实很舒服。谢谢你的工具，我做的 xiaolai.co 可能和你是类似的原理吧，我用 Guzzle 爬的。
|
|
39
lijinma OP @AlwaysBee 是的，如果只是抓文章内容，只需要拿到文章 url ，然后自己爬就行了，但是我的媒体朋友需要点赞数，阅读数，赞赏数等。。。就没办法，只能代理客户端。
|
|
40
AlwaysBee 2017-04-06 17:43:10 +08:00
@lijinma 嗯，这些数据还要进行二次渲染，这个插件只是针对 wordpress ，方便用户，如果需要大量的导入的话那还是需要配合爬虫来进行比较高效，很不错，有 node 版本的
|
 |
42
uglyer 2017-04-06 19:05:14 +08:00
写过一个类似的，不过抓取频率高了会被封号，不知道楼主有没有测试过一天能爬多少。
|
|
43
MrFireAwayH 2017-04-06 19:08:05 +08:00 via Android
@lijinma 不着急 你能帮忙已经很感谢啦~😊
|
|
44
AlwaysBee 2017-04-06 19:23:08 +08:00
@uglyer 我用那个 go 的版本也被封过号，当时没玩多久就被封了，才爬了几个公众号而已，所以也不知道具体的原因，好在这只是小号
|
 |
47
hastelloy 2017-04-07 08:15:53 +08:00 via Android
@falseen 大约是公元 2016 年年底的时候这种方式失效了，貌似是加入了 ip 记录的方式防止这个，我有个 python 版的代理大法
|
 |
50
bozong 2017-04-07 13:38:12 +08:00
@mooncakejs #9 大牛
|
|
51
MrFireAwayH 2017-04-07 21:12:37 +08:00 via Android
目前有一个情况是如果文章带有视频的话 会有大概率无限循环某两个文章
经查发现 虽然微信页面是在两个文章之间跳转 但是并没有访问 /s?_biz 这类链接 猜测视频是用 iframe 嵌入的 因为如果把视频链接修改到别的地址的话(如百度) 播放器位置会显示相应结果 而不是整个文章页面变成百度 不确定是不是我改出问题了…… 我改成了从 mysql 读文章地址再去控制客户端访问的形式 |
|
52
lijinma OP |
|
53
MrFireAwayH 2017-04-10 01:10:04 +08:00
@lijinma #52 我这两天根据你的思路 自己撸了个工具出来 在 https://www.v2ex.com/t/352758
 至于这个无限循环的问题，我觉得可能是微信的内置浏览器有问题，至于你说的刷新一下就解决了，是因为刷新后会重新访问 /s?_biz 链接 我目前采用了计数器的方式解决，初始化时候 FindAll 计算总数 count ，再对其翻倍处理（因为每次访问一个文章，都需会有相对固定次数的多个请求），设置 index=0 ，每个 else if 下面则 index+=1 ，在最终的 else 那边做判断，如果翻倍后的 count 小于 index ，说明进去死循环了，则强制重启。 上述办法不是很完美，还没找到更好的办法。。。  |
|
54
MrFireAwayH 2017-04-10 01:11:10 +08:00
|
Select Language