方案一：基于搜狗入口

在網(wǎng)上能搜索到的公眾號文章采集相關(guān)的信息來看來看，這是最多、最直接、也是最簡單的一種方案。 一般流程是：

• 搜狗微信搜索入口進(jìn)行公眾號搜索
• 選取公眾號進(jìn)入公眾號歷史文章列表
• 通過文章列表獲取文章鏈接，通過文章鏈接獲取文章內(nèi)容
• 對文章內(nèi)容進(jìn)行解析入庫

采集過于頻繁的話，搜狗搜索和公眾號歷史文章列表訪問都會出現(xiàn)驗證碼。直接采用一般的腳本采集是無法拿到驗證碼的。這里可以使用無頭瀏覽器來進(jìn)行訪問,通過對接打碼平臺識別驗證碼。無頭瀏覽器可采用selenium。

即便采用無頭瀏覽器同樣存在問題：

• 效率低下(實際上就是在跑一個完整的瀏覽器來模擬人類操作)
• 網(wǎng)頁資源瀏覽器加載難以控制，腳本對瀏覽器加載很難控制
• 驗證碼識別也無法做到100%，中途很可能會打斷抓取流程

如果堅持使用搜狗入口并想進(jìn)行完美采集的話只有增加代理IP。順便說一句，公開免費的IP地址就別想了，非常不穩(wěn)定，而且基本都被微信給封了。

除了面臨搜狗/微信的反爬蟲機(jī)制之外，采用此方案還有其他的缺點：

• 無法獲得閱讀數(shù)、點贊數(shù)等用于評估文章質(zhì)量的關(guān)鍵信息
• 無法及時獲得已經(jīng)發(fā)布公眾號文章，只能作定期的重復(fù)爬取
• 只能獲得最近十條群發(fā)文章

方案二：對手機(jī)微信進(jìn)行中間人攻擊

中間人攻擊本是某種黑客手法，用于截取客戶端與服務(wù)端之間的通信信息。這種方案的思路是在手機(jī)微信和微信服務(wù)器之間搭建一個”HTTPS代理”，用于截獲手機(jī)微信獲取的公眾號文章信息。一般性步驟是：

• 手機(jī)微信搜索一個公眾號
• 點擊進(jìn)入公眾號歷史文章頁面
• 代理識別已經(jīng)進(jìn)入列表頁，進(jìn)行內(nèi)容截獲，同時根據(jù)實際情況返回繼續(xù)下拉或爬取新的公眾號的js代碼

這種方案能夠?qū)崿F(xiàn)自動化的原因是：

• 微信公眾號使用的是HTTPS協(xié)議，且內(nèi)容未加密
• 微信公眾號文章列表和詳情本質(zhì)上是個Web頁面，可以嵌入js代碼進(jìn)行控制

這種方案的優(yōu)點：

• 一般情況下不會被屏蔽
• 能拿到點贊數(shù)和閱讀數(shù)等文章評估信息
• 能拿到公眾號全部的歷史文章

當(dāng)然，也存在很多缺點：

• 需要一個長期聯(lián)網(wǎng)的實體手機(jī)
• 前期需要設(shè)置代理，工作量比較大
• 本質(zhì)上還是個輪查的過程，而不是實時推送
• 同樣有Web加載難以控制的風(fēng)險，且本地網(wǎng)絡(luò)環(huán)境對其影響非常大
• 存在著微信接口發(fā)生變更代碼不再適應(yīng)的情況

這種方案還存在著一些變種，比如：

• 通過lua腳本控制公眾號搜索而不是靠代理返回嵌入的js代碼
• 通過GUI操作腳本控制PC端微信

但都存在”不能精確穩(wěn)定控制”的缺點

方案三：網(wǎng)頁微信抓包分析

在被微信反爬蟲虐了很長時間之后，和同事大腦風(fēng)暴尋找新的微信公眾號文章爬取方案。就分析有哪些能獲得數(shù)據(jù)的入口。模糊記得網(wǎng)頁微信是有公眾號文章閱讀功能的，正好我曾把玩過一段時間個人微信機(jī)器人，主要使用的是ItChat這個Python包。它實現(xiàn)的原理就是對網(wǎng)頁微信進(jìn)行抓包分析，匯總成個人微信接口，目標(biāo)就是所有網(wǎng)頁微信能實現(xiàn)的功能它都能實現(xiàn)。。所以就有了一個初步的方案——通過ItChat讓微信公眾號文章自己推送過來。快下班的時候和同事提了一下，他也挺感興趣，第二天就實現(xiàn)出來了驗證代碼(ItChat實現(xiàn)相應(yīng)功能代碼非常簡短，內(nèi)容解析部分之前就做了，可以直接用)。

這種方案的主要流程是：

• 手機(jī)微信關(guān)注要抓取的目標(biāo)公眾號
• 服務(wù)器端通過ItChat登錄網(wǎng)頁微信
• 當(dāng)公眾號發(fā)布新文章推送的時候，會被服務(wù)端截獲進(jìn)行后續(xù)的解析入庫

這種方案的優(yōu)點是：

• 基本零間隔獲取已經(jīng)發(fā)布的公眾號文章
• 能獲取點贊數(shù)、閱讀數(shù)
• 只需手機(jī)微信保持登陸，不用其他操作

當(dāng)然缺點也是有的：

• 需要一臺長期聯(lián)網(wǎng)的手機(jī)
• 手機(jī)微信不能主動退出，或長時間掉線
• 一個微信一天能夠關(guān)注的公眾號有限
• 新微信號不能登陸網(wǎng)頁微信，也就不能用于此方案
• 只能獲取最新發(fā)布的文章，無法獲取歷史文章

微信公眾號文章采集基本上就是和騰訊斗智斗勇，費心費力。直到現(xiàn)在也沒能找到一個完美的解決方案，只能根據(jù)實際的采集目標(biāo)，擇優(yōu)選取。要完全服務(wù)端，不依賴手機(jī)微信，不需要點贊數(shù)閱讀數(shù)，有大量代理IP就采用方案一;本地網(wǎng)絡(luò)穩(wěn)定且有富裕的手機(jī)就用方案二;需要及時獲得公眾號發(fā)布的最新文章的話就用方案三。