querylist采集微信公眾號文章(爬取大牛用微信公眾號爬取程序的難點(diǎn)及解決辦法)

　　最近需要爬取微信公眾號的文章信息。上網(wǎng)查了一下，發(fā)現微信公眾號的難點(diǎn)是公眾號文章的鏈接在PC端打不開(kāi)。必須使用微信自帶的瀏覽器（獲取微信客戶(hù)端的補充參數，才能在其他平臺打開(kāi)），給爬蟲(chóng)程序帶來(lái)很大的麻煩。后來(lái)在知乎上看到了一個(gè)大牛用php寫(xiě)的微信公眾號爬蟲(chóng)程序，他按照大佬的思路直接做了java。改造過(guò)程中遇到了很多細節問(wèn)題，分享給大家。

　　附上大牛的鏈接文章：寫(xiě)php或者只需要爬取思路的可以直接看這個(gè)。這些想法寫(xiě)得很詳細。

　　----------------------------------------------- -------------------------------------------------- -------------------------------------------------- --------------------------

　　系統的基本思想是在安卓模擬器上運行微信。模擬器設置代理，通過(guò)代理服務(wù)器攔截微信數據，并將獲取到的數據發(fā)送給自己的程序進(jìn)行處理。

　　需要準備的環(huán)境：nodejs、anyproxy代理、Android模擬器

　　nodejs下載地址：我下載的是windows版本的，直接下載安裝就可以了。安裝完成后直接運行C:\Program Files\nodejs\npm.cmd自動(dòng)配置環(huán)境。

　　anyproxy安裝：上一步安裝好nodejs后，在cmd中直接運行npm install -g anyproxy就會(huì )安裝

　　互聯(lián)網(wǎng)上只有一個(gè) Android 模擬器，很多。

　　----------------------------------------------- -------------------------------------------------- -------------------------------------------------- ---------------------------------------

　　首先安裝代理服務(wù)器的證書(shū)。 Anyproxy 默認不解析 https 鏈接。安裝證書(shū)后即可解決。在 cmd 中執行 anyproxy --root 將安裝證書(shū)。之后，您必須在模擬器上下載證書(shū)。

　　然后輸入anyproxy -i命令開(kāi)啟代理服務(wù)。 （記得加參數?。?/p>

　　

　　記住這個(gè)ip和端口，然后安卓模擬器的代理就會(huì )用到這個(gè)?，F在用瀏覽器打開(kāi)網(wǎng)頁(yè)::8002/ 這是anyproxy的網(wǎng)頁(yè)界面，用于展示http傳輸數據。

　　

　　點(diǎn)擊上方紅框中的菜單，會(huì )顯示一個(gè)二維碼。使用安卓模擬器掃碼識別。模擬器（手機）會(huì )下載證書(shū)并安裝。

　　現在我們準備為模擬器設置代理，代理模式設置為手動(dòng)，代理ip為運行anyproxy的機器ip，端口為8001

　　

　　準備工作到此基本完成。在模擬器上打開(kāi)微信，開(kāi)通公眾號文章。您可以從剛打開(kāi)的網(wǎng)頁(yè)界面看到 anyproxy 捕獲的數據：

　　

　　上面紅框里是微信文章的鏈接，點(diǎn)進(jìn)去查看具體數據。如果響應正文中沒(méi)有任何內容，則可能是證書(shū)安裝有問(wèn)題。

　　如果一切順利，你就可以下去了。

　　這里我們依靠代理服務(wù)來(lái)抓取微信數據，但是我們不能抓取一條數據，只能自己操作微信。最好手動(dòng)復制。所以我們需要微信客戶(hù)端自己跳轉到頁(yè)面。這時(shí)候可以使用anyproxy來(lái)攔截微信服務(wù)器返回的數據，將頁(yè)面跳轉代碼注入其中，然后將處理后的數據返回給模擬器，實(shí)現微信客戶(hù)端的自動(dòng)跳轉。

　　在anyproxy中打開(kāi)一個(gè)名為rule_default.js的js文件，windows下文件為：C:\Users\Administrator\AppData\Roaming\npm\node_modules\anyproxy\lib

　　文件中有一個(gè)方法叫replaceServerResDataAsync：function(req,res,serverResData,callback)。該方法負責對anyproxy獲得的數據進(jìn)行各種操作。開(kāi)頭應該只有 callback(serverResData) ；該語(yǔ)句的意思是直接將服務(wù)器響應數據返回給客戶(hù)端。直接把這條語(yǔ)句刪掉，換成下面大牛寫(xiě)的代碼。這里的代碼我沒(méi)有做任何改動(dòng)，里面的注釋也解釋的很清楚，按照邏輯來(lái)理解就好了，問(wèn)題不大。

　　

　　 1 replaceServerResDataAsync: function(req,res,serverResData,callback){

2 if(/mp\/getmasssendmsg/i.test(req.url)){//當鏈接地址為公眾號歷史消息頁(yè)面時(shí)(第一種頁(yè)面形式)

3 //console.log("開(kāi)始第一種頁(yè)面爬取");

4 if(serverResData.toString() !== ""){

5 6 try {//防止報錯退出程序

7 var reg = /msgList = (.*?);/;//定義歷史消息正則匹配規則

8 var ret = reg.exec(serverResData.toString());//轉換變量為string

9 HttpPost(ret[1],req.url,"/InternetSpider/getData/showBiz");//這個(gè)函數是后文定義的，將匹配到的歷史消息json發(fā)送到自己的服務(wù)器

10 var http = require('http');

11 http.get('http://xxx/getWxHis', function(res) {//這個(gè)地址是自己服務(wù)器上的一個(gè)程序，目的是為了獲取到下一個(gè)鏈接地址，將地址放在一個(gè)js腳本中，將頁(yè)面自動(dòng)跳轉到下一頁(yè)。后文將介紹getWxHis.php的原理。

12 res.on('data', function(chunk){

13 callback(chunk+serverResData);//將返回的代碼插入到歷史消息頁(yè)面中，并返回顯示出來(lái)

14 })

15 });

16 }catch(e){//如果上面的正則沒(méi)有匹配到，那么這個(gè)頁(yè)面內容可能是公眾號歷史消息頁(yè)面向下翻動(dòng)的第二頁(yè)，因為歷史消息第一頁(yè)是html格式的，第二頁(yè)就是json格式的。

17 //console.log("開(kāi)始第一種頁(yè)面爬取向下翻形式");

18 try {

19 var json = JSON.parse(serverResData.toString());

20 if (json.general_msg_list != []) {

21 HttpPost(json.general_msg_list,req.url,"/xxx/showBiz");//這個(gè)函數和上面的一樣是后文定義的，將第二頁(yè)歷史消息的json發(fā)送到自己的服務(wù)器

22 }

23 }catch(e){

24 console.log(e);//錯誤捕捉

25 }

26 callback(serverResData);//直接返回第二頁(yè)json內容

27 }

28 }

29 //console.log("開(kāi)始第一種頁(yè)面爬取 結束");

30 }else if(/mp\/profile_ext\?action=home/i.test(req.url)){//當鏈接地址為公眾號歷史消息頁(yè)面時(shí)(第二種頁(yè)面形式)

31 try {

32 var reg = /var msgList = \'(.*?)\';/;//定義歷史消息正則匹配規則（和第一種頁(yè)面形式的正則不同）

33 var ret = reg.exec(serverResData.toString());//轉換變量為string

34 HttpPost(ret[1],req.url,"/xxx/showBiz");//這個(gè)函數是后文定義的，將匹配到的歷史消息json發(fā)送到自己的服務(wù)器

35 var http = require('http');

36 http.get('xxx/getWxHis', function(res) {//這個(gè)地址是自己服務(wù)器上的一個(gè)程序，目的是為了獲取到下一個(gè)鏈接地址，將地址放在一個(gè)js腳本中，將頁(yè)面自動(dòng)跳轉到下一頁(yè)。后文將介紹getWxHis.php的原理。

37 res.on('data', function(chunk){

38 callback(chunk+serverResData);//將返回的代碼插入到歷史消息頁(yè)面中，并返回顯示出來(lái)

39 })

40 });

41 }catch(e){

42 //console.log(e);

43 callback(serverResData);

44 }

45 }else if(/mp\/profile_ext\?action=getmsg/i.test(req.url)){//第二種頁(yè)面表現形式的向下翻頁(yè)后的json

46 try {

47 var json = JSON.parse(serverResData.toString());

48 if (json.general_msg_list != []) {

49 HttpPost(json.general_msg_list,req.url,"/xxx/showBiz");//這個(gè)函數和上面的一樣是后文定義的，將第二頁(yè)歷史消息的json發(fā)送到自己的服務(wù)器

50 }

51 }catch(e){

52 console.log(e);

53 }

54 callback(serverResData);

55 }else if(/mp\/getappmsgext/i.test(req.url)){//當鏈接地址為公眾號文章閱讀量和點(diǎn)贊量時(shí)

56 try {

57 HttpPost(serverResData,req.url,"/xxx/getMsgExt");//函數是后文定義的，功能是將文章閱讀量點(diǎn)贊量的json發(fā)送到服務(wù)器

58 }catch(e){

59

60 }

61 callback(serverResData);

62 }else if(/s\?__biz/i.test(req.url) || /mp\/rumor/i.test(req.url)){//當鏈接地址為公眾號文章時(shí)（rumor這個(gè)地址是公眾號文章被辟謠了）

63 try {

64 var http = require('http');

65 http.get('http://xxx/getWxPost', function(res) {//這個(gè)地址是自己服務(wù)器上的另一個(gè)程序，目的是為了獲取到下一個(gè)鏈接地址，將地址放在一個(gè)js腳本中，將頁(yè)面自動(dòng)跳轉到下一頁(yè)。后文將介紹getWxPost.php的原理。

66 res.on('data', function(chunk){

67 callback(chunk+serverResData);

68 })

69 });

70 }catch(e){

71 callback(serverResData);

72 }

73 }else{

74 callback(serverResData);

75 }

76 //callback(serverResData);

77 },

　　

　　這里是一個(gè)簡(jiǎn)單的解釋。微信公眾號歷史新聞頁(yè)面的鏈接有兩種形式：一種以/mp/getmasssendmsg開(kāi)頭，另一種以/mp/profile_ext開(kāi)頭。歷史頁(yè)面可以關(guān)閉。如果被拒絕，則會(huì )觸發(fā)一個(gè)js事件，發(fā)送獲取json數據（下一頁(yè)內容）的??請求。還有公眾號文章的鏈接，以及文章的閱讀量和喜歡的鏈接（返回json數據）。這些鏈接的形式是固定的，可以通過(guò)邏輯判斷來(lái)區分。這里的問(wèn)題是，如果所有的歷史頁(yè)面都需要爬取，怎么做。我的想法是模擬鼠標滑過(guò)js觸發(fā)提交加載列表下一部分的請求?；蛘咧苯邮褂胊nyproxy分析滑動(dòng)加載請求，直接將請求發(fā)送到微信服務(wù)器。但是如何判斷沒(méi)有剩余數據一直存在問(wèn)題。我正在抓取最新數據。我暫時(shí)沒(méi)有這個(gè)需求，以后可能需要。有需要的可以試試。