簡(jiǎn)介本資源是一套面向 Python 爬蟲學(xué)習(xí)者與數(shù)據(jù)分析人員的微信公眾號(hào)文章采集工具包聚焦于從微信公眾平臺(tái)批量獲取公眾號(hào)所有文章的 URL 地址適合具備一定 Python 基礎(chǔ)、希望練習(xí)真實(shí)站點(diǎn)抓取與接口調(diào)試的開發(fā)者。壓縮包共 30 個(gè)文件約 17.22MB以 13 個(gè) py 腳本為核心輔以 5 個(gè) md 說明文檔、若干 jpg/png 截圖以及 chromedriver 驅(qū)動(dòng)文件覆蓋文章鏈接抓取、文章信息解析、結(jié)果讀取輸出等模塊并配有 requirements.txt 便于快速搭建運(yùn)行環(huán)境。文檔部分整理了獲取 appmsg_token、cookie_token 等關(guān)鍵參數(shù)的思路以及微信公眾號(hào)接口使用與自動(dòng)獲取微信參數(shù)的說明能幫助讀者理解抓取流程中的鑒權(quán)與請(qǐng)求構(gòu)造環(huán)節(jié)。目前已有 583 人學(xué)習(xí)下載可作為微信公眾號(hào)爬蟲入門與接口調(diào)試的實(shí)踐參考。1. 公眾號(hào)內(nèi)容采集一個(gè)被低估的爬蟲練手項(xiàng)目很多人第一次接觸爬蟲都是從公眾號(hào)文章開始的。原因很直接頁面結(jié)構(gòu)相對(duì)穩(wěn)定數(shù)據(jù)量適中反爬強(qiáng)度不算極端非常適合拿來練手。但真上手之后你會(huì)發(fā)現(xiàn)事情沒那么簡(jiǎn)單——文章鏈接藏在歷史消息里正文被各種內(nèi)聯(lián)樣式包裹圖片還做了防盜鏈處理。我見過不少開發(fā)者在這個(gè)項(xiàng)目上翻車不是卡在請(qǐng)求上就是卡在解析上。這個(gè)項(xiàng)目要解決的問題很明確給定一個(gè)公眾號(hào)批量抓取它的歷史文章列表再逐篇提取標(biāo)題、作者、發(fā)布時(shí)間、正文內(nèi)容和封面圖。適合誰剛學(xué)完 requests 和 BeautifulSoup、想找一個(gè)完整項(xiàng)目練手的 Python 開發(fā)者也適合需要做內(nèi)容歸檔、數(shù)據(jù)分析的運(yùn)營(yíng)或研究人員。技術(shù)棧不復(fù)雜核心就是 requests BeautifulSoup 正則存儲(chǔ)用 CSV 或 SQLite 都行。2. 項(xiàng)目架構(gòu)拆解從入口請(qǐng)求到數(shù)據(jù)落盤的完整鏈路2.1 整體模塊劃分與數(shù)據(jù)流向這個(gè)項(xiàng)目的架構(gòu)不復(fù)雜但該有的分層不能少。我一般會(huì)把它拆成四個(gè)模塊請(qǐng)求層、解析層、存儲(chǔ)層、調(diào)度層。請(qǐng)求層負(fù)責(zé)模擬客戶端發(fā)送 HTTP 請(qǐng)求拿到原始 HTML解析層從 HTML 里提取結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)層把數(shù)據(jù)寫到本地文件或數(shù)據(jù)庫調(diào)度層控制翻頁邏輯和請(qǐng)求頻率。數(shù)據(jù)流向是這樣的調(diào)度層發(fā)起第一頁請(qǐng)求 → 請(qǐng)求層返回 HTML → 解析層提取文章列表 → 存儲(chǔ)層保存列表數(shù)據(jù) → 調(diào)度層根據(jù)分頁信息發(fā)起下一頁請(qǐng)求 → 重復(fù)直到?jīng)]有更多數(shù)據(jù) → 對(duì)每篇文章詳情頁發(fā)起請(qǐng)求 → 解析正文 → 存儲(chǔ)。為什么這么分因?yàn)楣娞?hào)的列表頁和詳情頁結(jié)構(gòu)完全不同解析邏輯必須分開寫。而且請(qǐng)求頻率控制、Cookie 管理這些通用邏輯放在請(qǐng)求層后面改起來方便。2.2 請(qǐng)求層Cookie 與請(qǐng)求頭的處理公眾號(hào)的很多接口需要攜帶有效的 Cookie 才能返回?cái)?shù)據(jù)尤其是歷史文章列表。常見做法是手動(dòng)從瀏覽器開發(fā)者工具里復(fù)制 Cookie 和 User-Agent寫進(jìn)配置里。import requests import time import random # 配置請(qǐng)求頭Cookie 需要從瀏覽器手動(dòng)獲取 HEADERS { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36, Cookie: 你的Cookie字符串, # 從瀏覽器開發(fā)者工具復(fù)制 Referer: https://mp.weixin.qq.com/ } def fetch_page(url, retry3): 發(fā)送 GET 請(qǐng)求帶重試機(jī)制 for i in range(retry): try: resp requests.get(url, headersHEADERS, timeout10) if resp.status_code 200: return resp.text else: print(f狀態(tài)碼 {resp.status_code}第 {i1} 次重試) except requests.RequestException as e: print(f請(qǐng)求異常{e}第 {i1} 次重試) time.sleep(random.uniform(2, 5)) # 隨機(jī)延時(shí)降低被封風(fēng)險(xiǎn) return None這段代碼的關(guān)鍵點(diǎn)有三個(gè)。第一HEADERS里的Cookie是必須的沒有它很多接口直接返回空數(shù)據(jù)或者跳轉(zhuǎn)到驗(yàn)證頁。第二retry參數(shù)控制重試次數(shù)網(wǎng)絡(luò)抖動(dòng)時(shí)自動(dòng)重試比直接報(bào)錯(cuò)友好得多。第三time.sleep(random.uniform(2, 5))是保命操作固定間隔的請(qǐng)求很容易被識(shí)別為機(jī)器行為隨機(jī)延時(shí)能有效降低風(fēng)險(xiǎn)。參數(shù)怎么改timeout根據(jù)你的網(wǎng)絡(luò)情況調(diào)整一般 10 秒夠用。retry建議不超過 5 次太多會(huì)浪費(fèi)時(shí)間。Referer字段有些接口會(huì)校驗(yàn)帶上更穩(wěn)妥。2.3 解析層列表頁與詳情頁的提取邏輯列表頁返回的通常是 JSON 或者嵌在 HTML 里的 JSON 片段詳情頁則是完整的 HTML。兩種解析方式不一樣。from bs4 import BeautifulSoup import re import json def parse_article_list(html): 從列表頁 HTML 中提取文章條目 articles [] soup BeautifulSoup(html, html.parser) # 文章列表通常在特定的 div 或 script 標(biāo)簽中 items soup.select(div.article-item) # 根據(jù)實(shí)際頁面結(jié)構(gòu)調(diào)整 for item in items: title item.select_one(h3).get_text(stripTrue) link item.select_one(a)[href] # 補(bǔ)全相對(duì)鏈接 if link.startswith(/): link https://mp.weixin.qq.com link articles.append({title: title, url: link}) return articles def parse_article_detail(html): 從詳情頁提取正文、作者、發(fā)布時(shí)間 soup BeautifulSoup(html, html.parser) # 標(biāo)題 title_tag soup.select_one(h1.rich_media_title) title title_tag.get_text(stripTrue) if title_tag else # 作者 author_tag soup.select_one(span.rich_media_meta_text) author author_tag.get_text(stripTrue) if author_tag else # 發(fā)布時(shí)間 time_tag soup.select_one(em#publish_time) publish_time time_tag.get_text(stripTrue) if time_tag else # 正文內(nèi)容 content_tag soup.select_one(div#js_content) content content_tag.get_text(stripTrue) if content_tag else # 封面圖 cover_tag soup.select_one(img.rich_media_thumb) cover cover_tag[src] if cover_tag else return { title: title, author: author, publish_time: publish_time, content: content, cover: cover }解析層的核心是選擇器要寫對(duì)。公眾號(hào)頁面的 class 名經(jīng)常變所以選擇器不能寫死最好用多個(gè)備選方案。比如正文容器可能是div#js_content也可能是div.rich_media_content可以兩個(gè)都試一下。get_text(stripTrue)會(huì)把標(biāo)簽內(nèi)的文本提取出來并去掉首尾空白。正文里如果有換行和段落get_text默認(rèn)會(huì)丟掉格式如果需要保留段落結(jié)構(gòu)可以用get_text(separator\n)。2.4 存儲(chǔ)層CSV 與 SQLite 的選擇數(shù)據(jù)量小的時(shí)候 CSV 夠用數(shù)據(jù)量大或者需要頻繁查詢就用 SQLite。我一般兩個(gè)都寫方便切換。import csv import sqlite3 def save_to_csv(articles, filenamearticles.csv): 將文章列表寫入 CSV 文件 if not articles: return keys articles[0].keys() with open(filename, a, newline, encodingutf-8-sig) as f: writer csv.DictWriter(f, fieldnameskeys) # 文件為空時(shí)寫入表頭 if f.tell() 0: writer.writeheader() writer.writerows(articles) def save_to_sqlite(articles, db_patharticles.db): 將文章寫入 SQLite 數(shù)據(jù)庫 conn sqlite3.connect(db_path) cursor conn.cursor() cursor.execute( CREATE TABLE IF NOT EXISTS articles ( id INTEGER PRIMARY KEY AUTOINCREMENT, title TEXT, author TEXT, publish_time TEXT, content TEXT, cover TEXT, url TEXT UNIQUE ) ) for art in articles: try: cursor.execute( INSERT OR IGNORE INTO articles (title, author, publish_time, content, cover, url) VALUES (?, ?, ?, ?, ?, ?), (art.get(title), art.get(author), art.get(publish_time), art.get(content), art.get(cover), art.get(url)) ) except sqlite3.Error as e: print(f寫入失敗{e}) conn.commit() conn.close()CSV 用utf-8-sig編碼是為了 Excel 打開時(shí)不亂碼這個(gè)坑我踩過好幾次。SQLite 的url字段加了UNIQUE約束配合INSERT OR IGNORE可以自動(dòng)去重避免重復(fù)抓取同一篇文章。3. 運(yùn)行環(huán)境與依賴安裝從零把項(xiàng)目跑起來3.1 Python 版本與依賴清單這個(gè)項(xiàng)目對(duì) Python 版本要求不高3.8 以上都能跑。依賴就三個(gè)核心庫pip install requests beautifulsoup4 lxmlrequests負(fù)責(zé)發(fā)請(qǐng)求beautifulsoup4負(fù)責(zé)解析 HTMLlxml是解析器后端比 Python 自帶的html.parser快不少。如果要用 SQLitePython 標(biāo)準(zhǔn)庫自帶sqlite3不用額外裝。我一般會(huì)再裝一個(gè)fake-useragent用來隨機(jī)生成 User-Agent降低被封的概率pip install fake-useragent3.2 配置文件與參數(shù)說明把 Cookie、目標(biāo)公眾號(hào)標(biāo)識(shí)、請(qǐng)求間隔這些可變參數(shù)抽到一個(gè)config.py里改起來不用翻主邏輯代碼。# config.py COOKIE 你的Cookie字符串 TARGET_BIZ 目標(biāo)公眾號(hào)的biz參數(shù) # 從文章鏈接里提取 MAX_PAGES 50 # 最大翻頁數(shù)防止無限循環(huán) REQUEST_DELAY (2, 5) # 隨機(jī)延時(shí)范圍單位秒 OUTPUT_FORMAT sqlite # 可選 csv 或 sqlite DB_PATH articles.db CSV_PATH articles.csvTARGET_BIZ是公眾號(hào)的唯一標(biāo)識(shí)通常藏在文章鏈接的__biz參數(shù)里。MAX_PAGES是保險(xiǎn)絲萬一翻頁邏輯出問題不會(huì)無限跑下去。REQUEST_DELAY控制請(qǐng)求頻率數(shù)值越大越安全但越慢。3.3 主流程串聯(lián)與運(yùn)行把前面幾個(gè)模塊串起來主流程大概長(zhǎng)這樣from config import MAX_PAGES, OUTPUT_FORMAT from fetcher import fetch_page from parser import parse_article_list, parse_article_detail from storage import save_to_csv, save_to_sqlite import time import random def main(): all_articles [] for page in range(MAX_PAGES): # 構(gòu)造列表頁 URL具體參數(shù)根據(jù)實(shí)際情況調(diào)整 list_url fhttps://mp.weixin.qq.com/mp/profile_ext?actiongetmsgpage{page} html fetch_page(list_url) if not html: print(f第 {page} 頁請(qǐng)求失敗停止) break articles parse_article_list(html) if not articles: print(沒有更多文章了) break # 逐篇抓取詳情 for art in articles: detail_html fetch_page(art[url]) if detail_html: detail parse_article_detail(detail_html) detail[url] art[url] all_articles.append(detail) time.sleep(random.uniform(2, 5)) print(f第 {page} 頁完成累計(jì) {len(all_articles)} 篇) # 落盤 if OUTPUT_FORMAT csv: save_to_csv(all_articles) else: save_to_sqlite(all_articles) print(f抓取完成共 {len(all_articles)} 篇) if __name__ __main__: main()運(yùn)行方式就是python main.py。第一次跑建議把MAX_PAGES設(shè)成 2 或者 3先驗(yàn)證流程通不通再放開跑全量。4. 避坑與常見問題那些讓我熬夜的報(bào)錯(cuò)4.1 請(qǐng)求返回空數(shù)據(jù)或跳轉(zhuǎn)驗(yàn)證頁現(xiàn)象請(qǐng)求列表頁返回的 HTML 里沒有文章條目或者直接跳到一個(gè)驗(yàn)證頁面。原因Cookie 過期了或者請(qǐng)求頭里的 User-Agent 和 Cookie 不匹配。公眾號(hào)對(duì) Cookie 的有效期管得比較嚴(yán)一般幾小時(shí)到一天就會(huì)失效。解決重新從瀏覽器復(fù)制 Cookie確保 User-Agent 和復(fù)制 Cookie 時(shí)用的瀏覽器一致。如果還是不行檢查Referer字段是否缺失。4.2 正文提取為空或只有部分內(nèi)容現(xiàn)象parse_article_detail返回的content字段是空字符串或者只有開頭一小段。原因公眾號(hào)正文可能是懶加載的初始 HTML 里只有占位符。另外有些文章正文在 iframe 里直接解析外層 HTML 拿不到。解決先確認(rèn)頁面是否完整加載。如果是懶加載需要找到實(shí)際的數(shù)據(jù)接口。如果是 iframe用requests請(qǐng)求 iframe 的src地址再解析。我一般會(huì)先把 HTML 存到本地用瀏覽器打開看看結(jié)構(gòu)再?zèng)Q定怎么解析。4.3 圖片鏈接失效或防盜鏈現(xiàn)象抓下來的封面圖鏈接在瀏覽器里打不開返回 403。原因公眾號(hào)圖片有防盜鏈機(jī)制直接請(qǐng)求圖片 URL 會(huì)被拒絕。解決下載圖片時(shí)帶上Referer頭值設(shè)為https://mp.weixin.qq.com/。如果還不行可能需要把圖片 URL 里的wx_fmt參數(shù)去掉再試。4.4 翻頁邏輯死循環(huán)現(xiàn)象程序一直跑但抓到的文章列表始終是同一批。原因翻頁參數(shù)沒變或者接口返回的數(shù)據(jù)結(jié)構(gòu)在最后一頁時(shí)沒有正確判斷。解決在循環(huán)里加一個(gè)判斷如果本次解析出的文章列表和上一次完全一樣就break。另外MAX_PAGES一定要設(shè)這是最后的保險(xiǎn)。4.5 寫入 CSV 時(shí)中文亂碼現(xiàn)象用 Excel 打開 CSV 文件中文全是亂碼。原因Excel 默認(rèn)用 GBK 編碼打開 CSV而文件是 UTF-8 編碼。解決寫入時(shí)用utf-8-sig編碼這個(gè)編碼會(huì)在文件開頭加 BOM 標(biāo)記Excel 能正確識(shí)別。5. 二次開發(fā)與改造思路從能跑到好用5.1 增量抓取與去重策略第一次跑全量之后后面再跑就應(yīng)該只抓新文章。最簡(jiǎn)單的做法是在存儲(chǔ)層加一個(gè)url唯一索引每次插入前先查一下是否已存在。SQLite 的INSERT OR IGNORE配合UNIQUE約束就能做到。如果數(shù)據(jù)量大可以再加一個(gè)last_fetch_time字段記錄每篇文章的抓取時(shí)間增量抓取時(shí)只請(qǐng)求比這個(gè)時(shí)間新的文章。不過公眾號(hào)列表頁一般按時(shí)間倒序排列所以更簡(jiǎn)單的做法是每次從第一頁開始翻遇到已存在的 URL 就停止翻頁。def is_url_exists(url, db_patharticles.db): 檢查 URL 是否已存在于數(shù)據(jù)庫 conn sqlite3.connect(db_path) cursor conn.cursor() cursor.execute(SELECT 1 FROM articles WHERE url ? LIMIT 1, (url,)) result cursor.fetchone() conn.close() return result is not None在翻頁循環(huán)里每解析出一篇文章就先調(diào)這個(gè)函數(shù)判斷如果已存在就跳過連續(xù)跳過 N 篇就終止翻頁。5.2 正文清洗與結(jié)構(gòu)化輸出原始正文里通常夾雜著大量無關(guān)內(nèi)容廣告、推薦閱讀、二維碼提示等。我一般會(huì)做一輪清洗把正文按段落切分過濾掉長(zhǎng)度過短的段落和包含特定關(guān)鍵詞的段落。def clean_content(raw_text): 清洗正文去掉廣告和無關(guān)段落 lines raw_text.split(\n) cleaned [] skip_keywords [點(diǎn)擊上方, 關(guān)注我們, 長(zhǎng)按識(shí)別, 推薦閱讀] for line in lines: line line.strip() if len(line) 10: continue if any(kw in line for kw in skip_keywords): continue cleaned.append(line) return \n.join(cleaned)清洗規(guī)則可以根據(jù)實(shí)際抓取結(jié)果不斷調(diào)整。我習(xí)慣先把原始正文存一份清洗后的另存一份方便對(duì)比和回滾。5.3 多公眾號(hào)批量采集的調(diào)度改造單個(gè)公眾號(hào)跑通之后很自然會(huì)想擴(kuò)展到多個(gè)公眾號(hào)。這時(shí)候需要把TARGET_BIZ改成列表外層再加一層循環(huán)。但要注意不同公眾號(hào)的請(qǐng)求間隔要獨(dú)立控制不能共用一個(gè)延時(shí)否則總請(qǐng)求頻率會(huì)翻倍。TARGET_LIST [ {biz: 公眾號(hào)A的biz, name: 賬號(hào)A}, {biz: 公眾號(hào)B的biz, name: 賬號(hào)B}, ] for target in TARGET_LIST: print(f開始抓取 {target[name]}) crawl_one(target[biz]) time.sleep(random.uniform(10, 20)) # 賬號(hào)之間多等一會(huì)兒賬號(hào)之間的間隔建議比單賬號(hào)內(nèi)的間隔更長(zhǎng)給服務(wù)器一個(gè)緩沖時(shí)間。我一般設(shè) 10 到 20 秒。5.4 驗(yàn)證改造效果的方法改完之后怎么確認(rèn)沒改壞我的習(xí)慣是準(zhǔn)備一個(gè)小型測(cè)試集選一個(gè)文章數(shù)量少的公眾號(hào)手動(dòng)記錄前 5 篇文章的標(biāo)題和發(fā)布時(shí)間然后跑一遍程序?qū)Ρ茸ト〗Y(jié)果是否一致。如果一致再放開跑全量。另外每次改完解析邏輯先把 HTML 存到本地用本地文件跑解析函數(shù)這樣不用反復(fù)發(fā)請(qǐng)求調(diào)試效率高很多。# 調(diào)試用從本地文件讀取 HTML 并解析 with open(debug_page.html, r, encodingutf-8) as f: html f.read() result parse_article_detail(html) print(result)從那以后我每次改解析規(guī)則都強(qiáng)制先走一遍本地 HTML 調(diào)試確認(rèn)沒問題再發(fā)真實(shí)請(qǐng)求。這個(gè)習(xí)慣幫我省了大量等待時(shí)間也避免了因?yàn)檎{(diào)試請(qǐng)求太頻繁被限制。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取