微信公众号爬虫 (支持全自动化批量爬取微信公众号所有文章 Go语言实现)

# wechat_spider 微信公众号爬虫 (支持全自动化批量爬取微信公众号所有文章 Go语言实现) ## 注意 - 开源代码仅限技术分享交流,请充分尊重公众号作者的知识产权以及劳动成果,同时作为有素质的爬虫开发人员请控制好抓取的频率,本人概不承担任何基于本代码实现的工程引起的责任或纠纷. - 此项目是微信公众号批量自动化爬虫的核心实现, 面向开发者开源, 可以当做go语言包引入到自己项目中, 完整产品必须二次开发实现,QQ交流群: 563954381 - 微信的防作弊一直在不断更新完善,过于频繁的抓取可能导致微信账号被封禁,在需要大量抓取的任务请使用小号或者测试号进行 ## 常见问题 [FAQ][3] ## 客户端: android,iPhone等微信客户端平台, win和osx的微信客户端暂不兼容 代理协议: http && https, https需要导入certs文件夹的goproxy证书,并且添加受信权限,详细教程请google ## 安装 go1.7为作者已测试稳定版本 (go1.8有证书问题,请降级安装) `go get github.com/sundy-li/wechat_spider` ## 代理服务端 通过Man-In-Middle 代理方式获取微信服务端返回,自动模拟请求自动分页,抓取对应点击的所有历史文章 - 15行代码实现一个简单的爬虫服务 [simple_server.go][1] ``` package main import ( spider "github.com/sundy-li/wechat_spider" ) func main() { var port = "8899" spider.InitConfig(&spider.Config{ Verbose: false, // Open to see detail logs AutoScroll: false, // Open to crawl scroll pages }) spider.Regist(spider.NewBaseProcessor()) spider.Run(port) } ``` * 上面贴的是一个精简的服务端,拦截客户端请求,将微信文章url打印到终端 * js跳转由于微信新规则已经不可用 ~~如果想自定义输出源以及实现批量自动化爬取,可以实现`Processor`接口的`Output`和`NextBiz`方法, 参考 [custom_output_server.go][2]~~ * js跳转由于微信新规则已经不可用 ~~抓取阅读数,点赞数请实现`Processor`接口的`Output`和`NextUrl`方法,参考[custom_output_detail_server.go][4]~~ [1]: https://github.com/sundy-li/wechat_spider/blob/master/examples/simple_server.go [2]: https://github.com/sundy-li/wechat_spider/blob/master/examples/custom_output_server.go [3]: https://github.com/sundy-li/wechat_spider/blob/master/docs/FAQ.md [4]: https://github.com/sundy-li/wechat_spider/blob/master/examples/custom_output_detail_server.go [5]: https://github.com/sundy-li/wechat_spider/blob/master/examples/robot-demo.go * 微信会屏蔽频繁的请求,所以历史文章的翻页请求调用了Sleep()方法, 默认每个请求休眠50ms,可以根据实际情况自定义Processor覆盖此方法 ## 客户端使用: (确保客户端 能正常访问 代理服务端的服务) * Android客户端使用方法: 运行后, 设置手机的代理为 本机ip 8899端口, 打开微信客户端, 点击任一公众号查看历史文章按钮, 即可爬取该公众号的所有历史文章(已经支持自动翻页爬取) * win/mac客户端,设置下全局代理对应 代理服务端的服务和端口,同理点击任一公众号查看历史文章按钮 ## 批量自动化 * js跳转由于微信新规则已经不可用 ~~动态修改js实现批量化(不推荐使用,因为不方便控制),参考[custom_output_server.go][2]~~ * 模拟点击实现批量自动化 ### Go版本(强烈推荐), 用法参考 [robot-demo.go][5] 适用于Mac && Windows ### Python版本(比较麻烦,不推荐使用) 只适用于windows端 : Windows客户端获取批量公众号所有历史文章方法,对应原理请参考 http://stackbox.cn/2016-07-21-weixin-spider-notes/ ,同时也感谢博文作者提供此windows模拟点击的思路 1. 要求安装windows + 微信pc版本 + ActivePython3 + autogui, 设置windows下全局代理对应 代理服务端的服务和端口 2. 修改 win_client.py 中的 bizs参数, 通过pyautogui.position() 瞄点设置 first_ret, rel_link 坐标 3. 在examples目录下面, 执行 python win_client.py 将自动生成链接,模拟点击 ## 配置说明 * AutoScroll : 自动翻页,必须关注后才能翻页 * Compress : 过滤其他域的请求,节省带宽 * Verbose : 是否打印一些log ## TODO * ~~点赞数,阅读数~~ ← Complete! * ~~过滤其他请求(图片,视频等),节省带宽开销~~ ← Complete! * ~~本地缓存的清理,防止页面的请求不经过服务代理~~ ← Complete! * 评论(我个人觉得这个东西是没什么意义的)