微信公众号批量爬取——Java版

最近需要爬取微信公众号的文章信息。在网上找了找发现微信公众号爬取的难点在于公众号文章链接在pc端是打不开的，要用微信的自带浏览器（拿到微信客户端补充的参数，才可以在其它平台打开），这就给爬虫程序造成很大困扰。后来在知乎上看到了一位大牛用php写的微信公众号爬取程序，就直接按大佬的思路整了整搞成java的了。改造途中遇到蛮多细节问题，拿出来分享一下。

附上大牛文章链接：https://zhuanlan.zhihu.com/c_65943221  写php的或者只需要爬取思路的可以直接看这个，思路写的非常详细。

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------

系统的基本思路是在安卓模拟器上运行微信，模拟器设置代理，通过代理服务器拦截微信数据，将得到的数据发送给自己的程序进行处理。

需要准备的环境：nodejs，anyproxy代理，安卓模拟器

nodejs下载地址：http://nodejs.cn/download/，我下载的是windows版的，下好直接安装就行。安装好后，直接运行C:\Program Files\nodejs\npm.cmd 会自动配置好环境。

anyproxy安装：按上一步安装好nodejs之后，直接在cmd运行 npm install -g anyproxy 就会安装了

安卓模拟器随便在网上下一个就好了，一大堆。

------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

首先为代理服务器安装证书，anyproxy默认不解析https链接，安装证书后就可以解析了，在cmd执行anyproxy --root 就会安装证书，之后还得在模拟器也下载这个证书。

然后输入anyproxy -i 命令 打开代理服务。（记得加上参数！）

 

 

记住这个ip和端口，之后安卓模拟器的代理就用这个。现在用浏览器打开网页：http://localhost:8002/  这是anyproxy的网页界面，用于显示http传输数据。

点击上面红框框里面的菜单，会出一个二维码，用安卓模拟器扫码识别，模拟器（手机）就会下载证书了，安装上就好了。

现在准备为模拟器设置代理，代理方式设置为手动，代理ip为运行anyproxy机器的ip，端口是8001

 

到这里准备工作基本完成，在模拟器上打开微信随便打开一个公众号的文章，就能从你刚打开的web界面中看到anyproxy抓取到的数据：

上面红框内就是微信文章的链接，点击进去可以看到具体的数据。如果response body里面什么都没有可能证书安装有问题。

如果上面都走通了，就可以接着往下走了。

这里我们靠代理服务抓微信数据，但总不能抓取一条数据就自己操作一下微信，那样还不如直接人工复制。所以我们需要微信客户端自己跳转页面。这时就可以使用anyproxy拦截微信服务器返回的数据，往里面注入页面跳转代码，再把加工的数据返回给模拟器实现微信客户端自动跳转。

打开anyproxy中的一个叫rule_default.js的js文件，windows下该文件在：C:\Users\Administrator\AppData\Roaming\npm\node_modules\anyproxy\lib

在文件里面有个叫replaceServerResDataAsync: function(req,res,serverResData,callback)的方法，这个方法就是负责对anyproxy拿到的数据进行各种操作。一开始应该只有callback(serverResData)；这条语句的意思是直接返回服务器响应数据给客户端。直接删掉这条语句，替换成大牛写的如下代码。这里的代码我并没有做什么改动，里面的注释也解释的给非常清楚，直接按逻辑看懂就行，问题不大。

 1 replaceServerResDataAsync: function(req,res,serverResData,callback){
 2         if(/mp\/getmasssendmsg/i.test(req.url)){
   //当链接地址为公众号历史消息页面时(第一种页面形式)
 3             //console.log("开始第一种页面爬取");
 4             if(serverResData.toString() !== ""){
 5                  6                 try {
   //防止报错退出程序
 7                     var reg = /msgList = (.*?);/;//定义历史消息正则匹配规则
 8                     var ret = reg.exec(serverResData.toString());//转换变量为string
 9                     HttpPost(ret[1],req.url,"/InternetSpider/getData/showBiz");//这个函数是后文定义的，将匹配到的历史消息json发送到自己的服务器
10                     var http = require('http');
11                     http.get('http://xxx/getWxHis', function(res) {
   //这个地址是自己服务器上的一个程序，目的是为了获取到下一个链接地址，将地址放在一个js脚本中，将页面自动跳转到下一页。后文将介绍getWxHis.php的原理。
12                         res.on('data', function(chunk){
13                         callback(chunk+serverResData);//将返回的代码插入到历史消息页面中，并返回显示出来
14                         })
15                     });
16                 }catch(e){
   //如果上面的正则没有匹配到，那么这个页面内容可能是公众号历史消息页面向下翻动的第二页，因为历史消息第一页是html格式的，第二页就是json格式的。
17                 //console.log("开始第一种页面爬取向下翻形式");
18                      try {
19                         var json = JSON.parse(serverResData.toString());
20                         if (json.general_msg_list != []) {
21                         HttpPost(json.general_msg_list,req.url,"/xxx/showBiz");//这个函数和上面的一样是后文定义的，将第二页历史消息的json发送到自己的服务器
22                         }
23                      }catch(e){
24                        console.log(e);//错误捕捉
25                      }
26                     callback(serverResData);//直接返回第二页json内容
27                 }
28             }
29             //console.log("开始第一种页面爬取 结束");
30         }else if(/mp\/profile_ext\?action=home/i.test(req.url)){
   //当链接地址为公众号历史消息页面时(第二种页面形式)
31             try {
32                 var reg = /var msgList = \'(.*?)\';/;//定义历史消息正则匹配规则（和第一种页面形式的正则不同）
33                 var ret = reg.exec(serverResData.toString());//转换变量为string
34                 HttpPost(ret[1],req.url,"/xxx/showBiz");//这个函数是后文定义的，将匹配到的历史消息json发送到自己的服务器
35                 var http = require('http');
36                 http.get('xxx/getWxHis', function(res) {
   //这个地址是自己服务器上的一个程序，目的是为了获取到下一个链接地址，将地址放在一个js脚本中，将页面自动跳转到下一页。后文将介绍getWxHis.php的原理。
37                         res.on('data', function(chunk){
38                         callback(chunk+serverResData);//将返回的代码插入到历史消息页面中，并返回显示出来
39                         })
40                     });
41             }catch(e){
42                 //console.log(e);
43                 callback(serverResData);
44             }
45         }else if(/mp\/profile_ext\?action=getmsg/i.test(req.url)){
   //第二种页面表现形式的向下翻页后的json
46             try {
47                 var json =