进群：548377875 即可获取数十套PDF哦！
工具需求：
输入：给定公众号ID，和用户需要获取的公众号文章目录页码数（小于已发布最大收录页数）
( 输出Ⅰ：每个公众号历史文章信息csv文件（链接+标题）
输出Ⅱ: wkhtmltopdf和pdfkit将html转换成PDF文件或者图片文件（初稿）
现有方案
之前在网上也搜索了些爬取微信公众号的资料，大概有如下几种
selenium爬取流程
安装python selenium自动模块，通过selenium中的webdriver驱动浏览器获取Cookie登录微信公众号后台；
使用webdriver功能需要安装对应浏览器的驱动插件
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。
微信公众号登陆地址：https://mp.weixin.qq.com/
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：
搜索公众号名称
获取要爬取的公众号的fakeid
选定要爬取的公众号，获取文章接口地址
文章列表翻页及内容获取
AnyProxy代理批量采集
Fiddler设置代理和抓包
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。
可能存在的问题：
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。
付费平台
例如清博 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
3项目步骤
3.1基本原理
目标爬取网站收录了微信平台大部分的优质微信公众号文章，会定期更新，经测试发现对爬虫较为友好。
1、网站页面布局排版规律，不同公众号通过http://chuansong.me/account/almosthuman2014链接中的account区分
2、一个公众号合集下的文章翻页也有规律：id号每翻一页+12
所以流程思路就是
获取预查询微信公众号ID（不是直接显示的名称，而是信息名片里的ID号，一般由数字字母组成）
请求html页面，判断是否已经收录改公众号
如果没有收录，则页面显示结果为：404该页面不存在，所以直接使用正则表达式来匹配该提示信息即可
正则匹配，找到目标公众号最大收录文章页数
解析请求页面，提取文章链接和标题文字
保存信息提取的结果
调用pdfkit和wkhtmltopdf转换网页
3.5自动跳转页面
以下代码通过循环递增赋值，改变url中的页码参数
3.8生成的PDF结果
4结果展示
5 完整代码
由于考虑到转pdf的稳定性，我在发布版的代码中没有加转PDF的函数。预留了一个粗糙的py源文件，如果感兴趣，读者可以在此基础上自行调整修改。
源码就单独私信，我一个个给你们发！
网友评论