微信公众号文章爬取方法整理

微信公众号文章爬取方法整理

1.用python爬取

http://blog.csdn.net/d1240673769/article/details/75907152

实现方法：通过微信提供的公众号文章调用接口，实现爬取公众号文章的功能

步骤：

1.需要安装python selenium模块包，通过selenium中的webdriver驱动浏览器获取Cookie的方法、来达到登录的效果；

2.使用webdriver功能需要安装对应浏览器的驱动插件，我这里测试用的是谷歌浏览器： 
google chrome版本为52.0.2743.6 ; 
chromedriver版本为：V2.23 
注意：谷歌浏览器版本和chromedriver需要对应，否则会导致启动时报错。【附：selenium之 chromedriver与chrome版本映射表(更新至v2.30)http://blog.csdn.net/huilan_same/article/details/51896672）】

3.微信公众号登陆地址：https://mp.weixin.qq.com/

4.微信公众号文章接口地址可以在微信公众号后台中新建图文消息，超链接功能中获取：

5.搜索公众号名称

6.获取要爬取的公众号的fakeid

7.选定要爬取的公众号，获取文章接口地址

8.文章列表翻页及内容获取

2.AnyProxy代理批量采集

https://zhuanlan.zhihu.com/p/24302048

实现方法：anyproxy+js

https://www.cnblogs.com/luojiangwen/p/7943696.html

实现方法：anyproxy+java+webmagic

3.FiddlerCore

https://www.v2ex.com/t/181857

实现方法：抓包工具，Fiddler4

通过对多个账号进行抓包分析，可以确定:

_biz:这个14位的字符串是每个公众号的“id”，搜狗的微信平台可以获得

uin:与访问者有关，微信号id

key:和所访问的公众号有关
	

步骤：

1，写按键精灵脚本，在手机上自动点击公号文章列表页，也就是“查看历史消息”；
2，使用fiddler代理劫持手机端的访问，将网址转发到本地用php写的网页；
3，在php网页上将接收到的网址备份到数据库；
4，用python从数据库取出网址，然后进行正常的爬取。

爬的过程中发现一个问题：
如果只是想爬取文章内容，似乎并没有访问频率限制，但如果想抓取阅读数、点赞数，超过一定频率后，返回就会变为空值，我设定的时间间隔为10秒，可以正常抓取，这种频率下，一个小时只能抓取360条，已经没什么实际意义了。

4.清博 新榜

如果只是想看数据的话，直接看每天的榜单就可以了，还不用花钱，如果需要接入自己的系统的话，他们也提供api接口