微信爬取过程中参数分析

一：找到永久的历史信息列表：http://mp.weixin.qq.com/mp/getmasssendmsg?__biz=XXX==#wechat_redirect

将XXX==替换为自己的BIZ

二：4个参数可以唯一确定一篇微信文章：

__biz可以认为是微信公众平台对外公布的公众帐号的唯一id
mid是图文消息id
idx是发布的第几条消息(1就代表是头条位置消息)
sn是一个随机加密串(对于一篇图文消息是唯一的，如果你想问这个sn的生成规则是什么或者怎么破解，你基本上只能从微信公众平台开发团队才能得到答案)熬伪装


三：伪装微信客户端登陆，取历史信息页时，最重要4个参数：__biz;uin=;key=;pass_ticket=;这4个参数。【有时候需要手机配合】


四：取得general_msg_list 后，分析各个字段

1. "list": [ //最外层的键名；只出现一次，所有内容都被它包含。
2. {//这个大阔号之内是一条多图文或单图文消息，通俗的说就是一天的群发都在这里
3. "app_msg_ext_info":{//图文消息的扩展信息
4. "content_url": "图文消息的链接地址",
5. "cover": "封面图片",
6. "digest": "摘要",
7. "is_multi": "是否多图文，值为1和0",
8. "multi_app_msg_item_list": [//这里面包含的是从第二条开始的图文消息，如果is_multi=0，这里将为空
9. {
10. "content_url": "图文消息的链接地址",
11. "cover": "封面图片",
12. "digest": ""摘要"",
13. "source_url": "阅读原文的地址",
14. "title": "子内容标题"
15. },
16. ...//循环被省略
17. ],
18. "source_url": "阅读原文的地址",
19. "title": "头条标题"
20. },
21. "comm_msg_info":{//图文消息的基本信息
22. "datetime": '发布时间，值为unix时间戳',
23. "type": 49 //类型为49的时候是图文消息
24. }
25. },
26. ...//循环被省略
27. ]

五：采集程序原型 

建立表：
 

1、微信公众号表

1. CREATE TABLE ` weixin ` (
2. ` id ` int ( 11 ) NOT NULL AUTO_INCREMENT ,
3. ` biz ` varchar ( 255 ) DEFAULT '' COMMENT '公众号唯一标识biz' ,
4. ` collect ` int ( 11 ) DEFAULT '1' COMMENT '记录采集时间的时间戳' ,
5. PRIMARY KEY ( ` id ` )
6. ) ;

2、微信文章表

1. CREATE TABLE ` post ` (
2. ` id ` int ( 11 ) NOT NULL AUTO_INCREMENT ,
3. ` biz ` varchar ( 255 ) CHARACTER SET utf8 NOT NULL COMMENT '文章对应的公众号biz' ,
4. ` field_id ` int ( 11 ) NOT NULL COMMENT '微信定义的一个id，每条文章唯一' ,
5. ` title ` varchar ( 255 ) NOT NULL DEFAULT '' COMMENT '文章标题' ,
6. ` title_encode ` text CHARACTER SET utf8 NOT NULL COMMENT '文章编码，防止文章出现emoji' ,
7. ` digest ` varchar ( 500 ) NOT NULL DEFAULT '' COMMENT '文章摘要' ,
8. ` content_url ` varchar ( 500 ) CHARACTER SET utf8 NOT NULL COMMENT '文章地址' ,
9. ` source_url ` varchar ( 500 ) CHARACTER SET utf8 NOT NULL COMMENT '阅读原文地址' ,
10. ` cover ` varchar ( 500 ) CHARACTER SET utf8 NOT NULL COMMENT '封面图片' ,
11. ` is_multi ` int ( 11 ) NOT NULL COMMENT '是否多图文' ,
12. ` is_top ` int ( 11 ) NOT NULL COMMENT '是否头条' ,
13. ` datetime ` int ( 11 ) NOT NULL COMMENT '文章时间戳' ,
14. ` readNum ` int ( 11 ) NOT NULL DEFAULT '1' COMMENT '文章阅读量' ,
15. ` likeNum ` int ( 11 ) NOT NULL DEFAULT '0' COMMENT '文章点赞量' ,
16. PRIMARY KEY ( ` id ` )
17. ) ;

3、采集队列表

1. CREATE TABLE ` tmplist ` (
2. ` id ` int ( 11 ) unsigned NOT NULL AUTO_INCREMENT ,
3. ` content_url ` varchar ( 255 ) DEFAULT NULL COMMENT '文章地址' ,
4. ` load ` int ( 11 ) DEFAULT '0' COMMENT '读取中标记' ,
5. PRIMARY KEY ( ` id ` ),
6. UNIQUE KEY ` content_url ` ( ` content_url ` )
7. ) ;

采集：
1、getMsgJson.php：这个程序负责接收历史消息的json并解析后存入数据库

1. <?
2. $str = $_POST[ 'str'];
3. $url = $_POST[ 'url']; //先获取到两个POST变量
5. //先针对url参数进行操作
6. parse_str(parse_url(htmlspecialchars_decode(urldecode($url)),PHP_URL_QUERY ),$query); //解析url地址
7. $biz = $query[ '__biz']; //得到公众号的biz
8. //接下来进行以下操作
9. //从数据库中查询biz是否已经存在，如果不存在则插入，这代表着我们新添加了一个采集目标公众号。
11. //再解析str变量
12. $json = json_decode($str, true); //首先进行json_decode
13. if(!$json){
14. $json = json_decode(htmlspecialchars_decode($str), true); //如果不成功，就增加一步htmlspecialchars_decode
15. }
17. foreach($json[ 'list'] as $k=>$v){
18. $type = $v[ 'comm_msg_info'][ 'type'];
19. if($type== 49){ //type=49代表是图文消息
20. $content_url = str_replace( "\\", "", htmlspecialchars_decode($v[ 'app_msg_ext_info'][ 'content_url'])); //获得图文消息的链接地址
21. $is_multi = $v[ 'app_msg_ext_info'][ 'is_multi']; //是否是多图文消息
22. $datetime = $v[ 'comm_msg_info'][ 'datetime']; //图文消息发送时间
23. //在这里将图文消息链接地址插入到采集队列库中（队列库将在后文介绍，主要目的是建立一个批量采集队列，另一个程序将根据队列安排下一个采集的公众号或者文章内容）
24. //在这里根据$content_url从数据库中判断一下是否重复
25. if( '数据库中不存在相同的$content_url') {
26. $fileid = $v[ 'app_msg_ext_info'][ 'fileid']; //一个微信给的id
27. $title = $v[ 'app_msg_ext_info'][ 'title']; //文章标题
28. $title_encode = urlencode(str_replace( " ", "", $title)); //建议将标题进行编码，这样就可以存储emoji特殊符号了
29. $digest = $v[ 'app_msg_ext_info'][ 'digest']; //文章摘要
30. $source_url = str_replace( "\\", "", htmlspecialchars_decode($v[ 'app_msg_ext_info'][ 'source_url'])); //阅读原文的链接
31. $cover = str_replace( "\\", "", htmlspecialchars_decode($v[ 'app_msg_ext_info'][ 'cover'])); //封面图片
33. $is_top = 1; //标记一下是头条内容
34. //现在存入数据库
35. echo "头条标题：".$title.$lastId. "\n"; //这个echo可以显示在anyproxy的终端里
36. }
37. if($is_multi== 1){ //如果是多图文消息
38. foreach($v[ 'app_msg_ext_info'][ 'multi_app_msg_item_list'] as $kk=>$vv){ //循环后面的图文消息
39. $content_url = str_replace( "\\", "",htmlspecialchars_decode($vv[ 'content_url'])); //图文消息链接地址
40. //这里再次根据$content_url判断一下数据库中是否重复以免出错
41. if( '数据库中不存在相同的$content_url'){
42. //在这里将图文消息链接地址插入到采集队列库中（队列库将在后文介绍，主要目的是建立一个批量采集队列，另一个程序将根据队列安排下一个采集的公众号或者文章内容）
43. $title = $vv[ 'title']; //文章标题
44. $fileid = $vv[ 'fileid']; //一个微信给的id
45. $title_encode = urlencode(str_replace( " ", "",$title)); //建议将标题进行编码，这样就可以存储emoji特殊符号了
46. $digest = htmlspecialchars($vv[ 'digest']); //文章摘要
47. $source_url = str_replace( "\\", "",htmlspecialchars_decode($vv[ 'source_url'])); //阅读原文的链接
48. //$cover = getCover(str_replace("\\","",htmlspecialchars_decode($vv['cover'])));
49. $cover = str_replace( "\\", "",htmlspecialchars_decode($vv[ 'cover'])); //封面图片
50. //现在存入数据库
51. echo "标题：".$title.$lastId. "\n";
52. }
54. }
55. }
56. }
57. }
58. ?>

2、getMsgExt.php获取文章阅读量和点赞量的程序

1. ?
2. $str = $_POST[ 'str'];
3. $url = $_POST[ 'url']; //先获取到两个POST变量
4. //先针对url参数进行操作
5. parse_str(parse_url(htmlspecialchars_decode(urldecode($url)),PHP_URL_QUERY ),$query); //解析url地址
6. $biz = $query[ '__biz']; //得到公众号的biz
7. $sn = $query[ 'sn'];
8. //再解析str变量
9. $json = json_decode($str, true); //进行json_decode
11. //$sql = "select * from `文章表` where `biz`='".$biz."' and `content_url` like '%".$sn."%'" limit 0,1;
12. //根据biz和sn找到对应的文章
14. $read_num = $json[ 'appmsgstat'][ 'read_num']; //阅读量
15. $like_num = $json[ 'appmsgstat'][ 'like_num']; //点赞量
16. //在这里同样根据sn在采集队列表中删除对应的文章，代表这篇文章可以移出采集队列了
17. //$sql = "delete from `队列表` where `content_url` like '%".$sn."%'"
19. //然后将阅读量和点赞量更新到文章表中。
20. exit(json_encode($msg)); //可以显示在anyproxy的终端里
21. ?>