微信公众号文章采集的几种方案

方案一：基于搜狗入口

在网上能搜索到的公众号文章采集相关的信息来看来看，这是最多、最直接、也是最简单的一种方案。
一般流程是：

1. 搜狗微信搜索入口进行公众号搜索

2. 选取公众号进入公众号历史文章列表

3. 通过文章列表获取文章链接，通过文章链接获取文章内容

4. 对文章内容进行解析入库

采集过于频繁的话，搜狗搜索和公众号历史文章列表访问都会出现验证码。直接采用一般的脚本采集是无法拿到验证码的。这里可以使用无头浏览器来进行访问,通过对接打码平台识别验证码。无头浏览器可采用selenium。

即便采用无头浏览器同样存在问题：
效率低下（实际上就是在跑一个完整的浏览器来模拟人类操作）
网页资源浏览器加载难以控制，脚本对浏览器加载很难控制
验证码识别也无法做到100%，中途很可能会打断抓取流程
如果坚持使用搜狗入口并想进行完美采集的话只有增加代理IP。顺便说一句，公开免费的IP地址就别想了，非常不稳定，而且基本都被微信给封了。
除了面临搜狗/微信的反爬虫机制之外，采用此方案还有其他的缺点：
无法获得阅读数、点赞数等用于评估文章质量的关键信息
无法及时获得已经发布公众号文章，只能作定期的重复爬取
只能获得最近十条群发文章

方案二：对手机微信进行中间人攻击

中间人攻击本是某种黑客手法，用于截取客户端与服务端之间的通信信息。这种方案的思路是在手机微信和微信服务器之间搭建一个"HTTPS代理"，用于截获手机微信获取的公众号文章信息。一般性步骤是：

手机微

• 信搜索一个公众号

• 点击进入公众号历史文章页面

• 代理识别已经进入列表页，进行内容截获，同时根据实际情况返回继续下拉或爬取新的公众号的js代码

• 这种方案能够实现自动化的原因是：

• 微信公众号使用的是HTTPS协议，且内容未加密

• 微信公众号文章列表和详情本质上是个Web页面，可以嵌入js代码进行控制

这种方案的优点：

• 一般情况下不会被屏蔽

• 能拿到点赞数和阅读数等文章评估信息

• 能拿到公众号全部的历史文章

当然，也存在很多缺点：

• 需要一个长期联网的实体手机

• 前期需要设置代理，工作量比较大

• 本质上还是个轮查的过程，而不是实时推送

• 同样有Web加载难以控制的风险，且本地网络环境对其影响非常大

• 存在着微信接口发生变更代码不再适应的情况

这种方案还存在着一些变种，比如：

• 通过lua脚本控制公众号搜索而不是靠代理返回嵌入的js代码

• 通过GUI操作脚本控制PC端微信

• 但都存在"不能精确稳定控制"的缺点

方案三：网页微信抓包分析

在被微信反爬虫虐了很长时间之后，和同事大脑风暴寻找新的微信公众号文章爬取方案。就分析有哪些能获得数据的入口。模糊记得网页微信是有公众号文章阅读功能的，正好我曾把玩过一段时间个人微信机器人，主要使用的是ItChat这个Python包。它实现的原理就是对网页微信进行抓包分析，汇总成个人微信接口，目标就是所有网页微信能实现的功能它都能实现。。所以就有了一个初步的方案——通过ItChat让微信公众号文章自己推送过来。快下班的时候和同事提了一下，他也挺感兴趣，第二天就实现出来了验证代码（ItChat实现相应功能代码非常简短，内容解析部分之前就做了，可以直接用）。

这种方案的主要流程是：

• 手机微信关注要抓取的目标公众号

• 服务器端通过ItChat登录网页微信

• 当公众号发布新文章推送的时候，会被服务端截获进行后续的解析入库

这种方案的优点是：

• 基本零间隔获取已经发布的公众号文章

• 能获取点赞数、阅读数

• 只需手机微信保持登陆，不用其他操作

当然缺点也是有的：

• 需要一台长期联网的手机

• 手机微信不能主动退出，或长时间掉线

• 一个微信一天能够关注的公众号有限

• 新微信号不能登陆网页微信，也就不能用于此方案

• 只能获取最新发布的文章，无法获取历史文章

微信公众号文章采集基本上就是和腾讯斗智斗勇，费心费力。直到现在也没能找到一个完美的解决方案，只能根据实际的采集目标，择优选取。要完全服务端，不依赖手机微信，不需要点赞数阅读数，有大量代理IP就采用方案一；本地网络稳定且有富裕的手机就用方案二；需要及时获得公众号发布的最新文章的话就用方案三。