python爬虫公众号所有信息，并批量下载公众号视频

Python疯子

发布于 2019-12-16 17:34:38

2.6K0

发布于 2019-12-16 17:34:38

文章被收录于专栏：Python疯子

之前写过一篇类似的文章：python爬取公众号，用最简单的方式爬虫

还有同学一直在问，可能中间有一些小细节不明确，这次彻底明确一下细节。

本篇添加一个批量下载公众号内视频的功能，可以实现完全复制一个公众号，危险动作，请不要操作！谢谢

主要功能如何简单爬虫微信公众号获取信息：标题、摘要、封面、文章地址自动批量下载公众号内的视频

本次选取的公众号：熊孩子与萌宠

每天更新视频：熊孩子日常、萌宠日常、熊孩子和萌宠搞笑视频，笑声不断快乐常伴！

获取公众号信息

标题、摘要、封面、文章URL

操作步骤： 1、先自己申请一个公众号 2、登录自己的账号，新建文章图文，点击超链接

image

3、弹出搜索框，搜索自己需要的公众号，查看历史文章

image

image

4、通过抓包获取信息，定位请求的url

image

通过查看信息，找到了我们需要关键的内容：标题、摘要、封面和文章URL，确定这就是我们需要的URL,通过点击下一页，多次获取url发现，只有random和bengin的参数发生变化

image

所以主信息URL确定。

那就开始吧：

事实发现我们需要修改的参数为：token、random、cookie

这两个值的来源，获取url时的就可以

# -*- coding: utf-8 -*-
import re

import requests
import jsonpath
import json

headers = {
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36",
"Host": "mp.weixin.qq.com",
"Referer": "https://mp.weixin.qq.com/cgi-bin/appmsg?t=media/appmsg_edit&action=edit&type=10&isMul=1&isNew=1&lang=zh_CN&token=1862390040",
"Cookie": "自己获取信息时的cookie"
       }

def getInfo():
    for i in range(80):
        # token  random 需要要自己的   begin：参数传入
        url = "https://mp.weixin.qq.com/cgi-bin/appmsg?token=1904193044&lang=zh_CN&f=json&ajax=1&random=0.9468236563826882&action=list_ex&begin={}&count=5&query=&fakeid=MzI4MzkzMTc3OA%3D%3D&type=9".format(str(i * 5))

        response = requests.get(url, headers = headers)

        jsonRes = response.json()


        titleList = jsonpath.jsonpath(jsonRes, "$..title")
        coverList = jsonpath.jsonpath(jsonRes, "$..cover")
        urlList = jsonpath.jsonpath(jsonRes, "$..link")

        # 遍历 构造可存储字符串
        for index in range(len(titleList)):
            title = titleList[index]
            cover = coverList[index]
            url = urlList[index]

            scvStr = "%s,%s, %s,\n" % (title, cover, url)
            with open("info.csv", "a+", encoding="gbk", newline='') as f:
                f.write(scvStr)

获取结果(成功)：

image

获取文章内视频

实现批量下载通过对单篇视频文章分析，我找到了这个链接：

image

通过网页打开发现，是视频的网页下载链接：

image

image

哎，好像有点意思了，找到了视频的网页纯下载链接，那就开始吧。

发现链接里的有一个关键参数vid 不知道哪来的？

和获取到的其他信息也没有关系，那就只能硬来了。

通过对单文章的url请求信息里发现了这个参数，然后进行获取。

response = requests.get(url_wxv, headers=headers)

    # 我用的是正则，也可以使用xpath
    jsonRes = response.text  #  匹配:wxv_1105179750743556096
    dirRe = r"wxv_.{19}"
    result = re.search(dirRe, jsonRes)

    wxv = result.group(0)
    print(wxv)

视频下载：

def getVideo(video_title, url_wxv):
    video_path = './videoFiles/' + video_title + ".mp4"

    # 页面可下载形式
    video_url_temp = "https://mp.weixin.qq.com/mp/videoplayer?action=get_mp_video_play_url&preview=0&__biz=MzI4MzkzMTc3OA==&mid=2247488495&idx=4&vid=" + wxv
    response = requests.get(video_url_temp, headers=headers)
    content = response.content.decode()
    content = json.loads(content)
    url_info = content.get("url_info")
    video_url2 = url_info[0].get("url")
    print(video_url2)

    # 请求要下载的url地址
    html = requests.get(video_url2)
    # content返回的是bytes型也就是二进制的数据。
    html = html.content
    with open(video_path, 'wb') as f:
        f.write(html)

那么所有信息就都完成了，进行code组装。

a、获取公众号信息 b、筛选单篇文章信息 c、获取vid信息 d、拼接视频页面下载URL e、下载视频，保存

代码实验结果：