python爬取你喜欢的公众号的所有原创文章,然后搞成PDF慢慢看


我知道你有时候会遇到了

一个相见恨晚的公众号

比如小帅b的公众号哈哈


然后想去看看

这个公众号的历史文章


希望从第一篇开始看起

可是当你去微信里面查看的时候


会很蛋疼

因为

微信没有给文章一个时间排序





那么这时候你只能

从最近更新的文章开始

一直滑呀滑~滑呀滑~





好不容易看到了作者的第一篇文章了

结果一不小心

按了一下返回键


WTF!!!





只能重新滑呀滑~滑呀滑~

滑到外婆桥

桥里有个洞

洞里有个黑屁股





话说

能不能把公众号的文章全都爬取下来

然后制作成 PDF


这样

妈妈就再也不用担心

我无法看到作者的所有干货了


也不再担心

万一作者的突然脑抽把号给删了

文章全都消失


那岂不泪流满面





好了

那么

接下来就是


学习 python 的正确姿势



这次我们通过 fiddler 来抓取

手机上的请求


然后再把公众号的历史文章爬取下来

最后制作成 pdf 文件


小帅b来画个图吧

具体就是这样





ok

有了思路之后


我们就开干

先从数据抓包开始


将手机连好同个局域网的 WIFI

然后打开 fiddler

以小帅b的公众号为例


在手机上刷一下

学习python的正确姿势

这个公众号的历史文章





往下多滑几下

然后来看看 fiddler 抓到了什么数据


可以发现就是这个接口一直在请求




来看看其中一个具体数据请求



可以发现

微信在获取公众号历史文章的时候


有这么些参数是要携带的

小帅b看了下

比较重要的两个参数是

offsetis_ok

应该是用来加载更多文章的参数


其他的什么 token 参数

到时候我们直接复制到 python 中进行请求就好了


再来看看返回的数据长什么鸟样





返回了一个 json


这里有个 next_offset 字段

小帅b发现它就是用来下次请求的时候

用于 offset 这个字段的


can_msg_continue

就是用于下次请求的 is_ok 字段的





我们再来看看具体每次请求得到的

列表内容





数据很明显了

list 里面的每一个 item

都是小帅b发过的文章信息

标题、链接、作者、原文地址、封面图啥都有了


那如何区分文章是否原创的呢

小帅b公众号都是原创的文章


所以只能去抓一下其他公众号的文章

看了一会发现


copyright_stat = 11

就是原创





知道了请求规则

以及返回数据的格式


接下来就可以使用代码获取啦


先来把 header 和 cookies 定义一下

假装自己是在用手机请求数据




在请求的时候

需要携带参数

这里主要是控制一下 offset

用来加载更多数据






定义好了之后

就可以使用 requests 进行请求了



先来获取所有的原创文章

然后打印一下看看




主要就是将返回的数据

使用 json 进行解析


然后判断是否可以获取更多的数据

如果还有数据的话

我们就递归请求



ok

执行一波




公众号的所有原创文章

就被我们爬取下来啦




开心得像条狗



接下来

把文章转化为 pdf 文件


怎么弄

其实小帅b也不知道…



遇到事情不要慌

上 Google 搜索一下呗





装下b

用英文搜索


点进去第一个链接看看





woc!!


一行代码搞定??

赶紧安装试试看





安装完成之后

在代码使用一下


# 自己定义存储路径pdfkit.from_url(content_url, ‘/home/wistbean/wechat_article/‘+title+‘.pdf’)



执行





可以可以


帅b的所有原创文章

就被保存下来啦






ok

以上

本篇文章涉及的源代码已经上传

在公众号后台发送 公众号 获取


扫一扫

学习 Python 没烦恼



看了还想看

爸爸,他使坏,用动态的 Json 数据,我要怎么搞?

教你通过 Fiddler 进行手机抓包

python爬取 20w 表情包之后,从此你就成为了微信斗图届的高手



ps

一直写原创教程真 jb 累

希望你多多支持

这样我才有动力一直写…么么哒


peace



Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×