wechat_spider 微信爬虫

基于 Node.js 的微信爬虫，通过中间人代理的原理，批量获取微信文章数据，包括阅读量、点赞量、在看数、评论和文章正文等数据。

使用代理模块 AnyProxy。代码已支持 AnyProxy 4 版本。

支持 Docker 部署。

项目可运行在个人电脑上，也可部署在服务器上。

开始

安装前准备

安装 Node，推荐版本 16
安装 MongoDB，最近版本即可
安装 Redis，最近版本即可

安装

git clone https://github.com/lqqyt2423/wechat_spider.git
cd wechat_spider
npm install

本项目基于代理模块 AnyProxy，解析微信 HTTPS 请求需在电脑和手机上都安装证书。可参考：AnyProxy 文档。

通过 Docker 部署

git clone https://github.com/lqqyt2423/wechat_spider.git
cd wechat_spider
# build image
docker-compose build
# 运行实例（mongo数据存储地址需通过环境变量MONGO_PATH传入）
MONGO_PATH=/data/mongo docker-compose up
# 终止运行
docker-compose down

Dockerfile 中已经设置了在 Linux 环境的 Docker 中添加根证书的操作步骤，所以接下来仅需在手机上安装 https 证书即可。
最终手机上设置的代理 ip 还是需要以自己电脑上的 ip 为准，需忽略 Docker 实例中打印的 ip 地址
可编辑 Dockerfile 和 docker-compose.yml 改变部署规则

使用

cd wechat_spider
npm start

确保电脑和手机连接同一 WIFI，npm start 之后，命令行输出请配置代理: xx.xx.xx.xx:8101 类似语句，手机设置代理为此 IP 和端口
手机上测试打开任一公众号历史文章详情页和文章页，观察电脑命令行的输出，查看数据是否保存至 MongoDB

如需测试自动翻页，可先多次分别打开不同的公众号的历史详情页，等数据库中有了翻页的基础公众号信息之后，再随便进入历史页等待翻页跳转

翻页逻辑仅支持公众号历史页面跳公众号历史页面，微信文章页面跳微信文章页面，两个不同页面不能互相跳转

针对微信新版需注意

历史页面可自行拼接后发送至微信中打开，拼接规则为：

var biz = 'MzI4NjQyMTM2Mw==';
var history_page = 'https://mp.weixin.qq.com/mp/profile_ext?action=home&__biz=' + biz + '&scene=124#wechat_redirect';
// https://mp.weixin.qq.com/mp/profile_ext?action=home&__biz=MzI4NjQyMTM2Mw==&scene=124#wechat_redirect

进入微信文章页面先刷新一下

自定义配置

可编辑 config.js 文件进行自定义配置，文件中每个配置项都有详细的说明。

可配置项举例如下：

控制是否开启文章或历史详情页自动跳转
控制跳转时间间隔
根据文章发布时间控制抓取范围
是否保存文章正文内容
是否保存文章评论

需注意，本项目修改了 AnyProxy 的默认端口。连接代理的端口改为 8101，AnyProxy 管理界面的端口改为 8102，且仅在 NODE_ENV=development 时才会开启 AnyProxy 的管理界面功能。如需修改，可编辑 config.js。

可视化界面

前端页面已打包好，启动项目后，如无修改默认 server port 配置，浏览器直接访问 http://localhost:8104 即可。检测数据有无抓取保存直接刷新此页面即可。

前端页面由 React 编写，如需修改，可编辑 client 文件中的代码。

MongoDB 数据信息

数据库 database: wechat_spider

数据表 collections:

posts - 文章数据
profiles - 公众号数据
comments - 评论数据

从 MongoDB 导出数据

命令行直接导出数据

mongoexport --db wechat_spider --collection posts --type=csv --fields title,link,publishAt,readNum,likeNum,likeNum2,msgBiz,msgMid,msgIdx,sourceUrl,cover,digest,isFail --out ~/Desktop/posts.csv

脚本导出

可参考文件 /test/exportData.js 。

感谢

感谢此文章提供思路：微信公众号文章批量采集系统的构建

联系作者

如需赞赏、技术交流、数据抓取、商务合作等，可联系作者。

License

MIT

esailing800 / wechat_spider Goto Github PK

wechat_spider's Introduction