使用Python获取公众号下所有的文章-巨人网络通讯

使用Python获取公众号下所有的文章

导出公众号所有文章

随着互联网的不断发展，网络上兴起了很多的自媒体平台。不用我说，相信大家也能知道当下非常流行的平台都有哪些。

可以说凡是比较知名的自媒体，都有自己的公众号。但是平台的创新与出现可谓层出不穷，如果需要入住平台，肯定需要获取原平台的历史资源。

比如说微信公众号，我们就需要获取微信公众号的文章，将其导出后，入住其他的平台，那么如何获取自己公众号下的所有文章呢？

开发者ID与开发者密码

其实，公众号给我们开发中提供了非常友好的接口，并不需要我们一个一个去爬，就可以获取文章的所有链接。

如上图所示，我们需要进入公众号主页，然后通过设置与开发-基本配置，找到开发者ID与开发者密码。

因为微信给我们提供了接口专门用于我们获取公众号的文章，具体的接口网址，如下面代码所示：

https://api.weixin.qq.com/cgi-bin/token?grant_type=client_credentialappid=APPIDsecret=APPSECRET

这里的APPID就是开发中ID，APPSECRET就是开发者密码，如下图所示进行获取。

不过，这里有一个IP白名需要注意，为了公众号文章的安全，必须设置IP地址才能获取。如果后面的代码并没有在IP下运行，那么肯定会报错。

如上图所示，IP白名单是直接设置你的IP地址，设置完成之后点击修改，弹出二维码后用微信扫描即可。

https://api.weixin.qq.com/cgi-bin/material/batchget_material?access_token=

这样还不行，因为该网址接口只是获取access_token，也就是访问公众号的令牌，而获取公众号文章的链接是上面这个。

获取Json格式的公众号文章信息

既然已经基本了解了原理，下面我们来通过实战获取所有的公众号标题，链接，描述以及文章的展示图。示例如下：

import requests
import json
import csv

def getGZHJson(appid, secret):
    path = " https://api.weixin.qq.com/cgi-bin/token?grant_type=client_credential"
    url = path + "appid=" + appid + "secret=" + secret
    result = requests.get(url)
    token = json.loads(result.text)
    access_token = token['access_token']
    data = {
        "type": "news",
        "offset": 0,
        "count": 1,
    }
    headers = {
        'content-type': "application/json",
        'Accept-Language': 'zh-CN,zh;q=0.9'
    }
    url = 'https://api.weixin.qq.com/cgi-bin/material/batchget_material?access_token=' + access_token
    result = requests.post(url=url, data=json.dumps(data), headers=headers)
    result.encoding = result.apparent_encoding
    result = json.loads(result.text)
    count = int(result['total_count'])
    gzh_dict = {"news_item": []}
    for i in range(0, count):
        data['offset'] = i
        result = requests.post(url=url, data=json.dumps(data), headers=headers)
        result.encoding = result.apparent_encoding
        result = json.loads(result.text)
        for item in result['item'][0]['content']['news_item']:
            temp_dict = {}
            temp_dict['title'] = item["title"]
            temp_dict['digest'] = item["digest"]
            temp_dict['url'] = item["url"]
            temp_dict['thumb_url'] = item["thumb_url"]
            print(temp_dict)
            gzh_dict['news_item'].append(temp_dict)
    return json.dumps(gzh_dict)

getGZHJson('开发者ID', '开发者密码')

这里，我们先来看一下result的原始文本数据，具体如下所示：

原始的JSON数据中，有一个非常重要的数据也就是total_count，也就是公众号成立以来，推送的次数。

但是需要注意，公众号可以单次推送一篇，或者单次推送2，3，4篇，并不一直都是一模一样。

而获取哪次推送的数据，你可以通过offset逆向溯源，至于每次是多少篇，则需要通过返回的Json数据news_item有多少个决定。如下图所示：

所以，我们还有在里面加上一次遍历，第1层遍历的是微信公众号推送的哪天数据，第2层遍历，遍历的是当天发送的篇数。运行之后，效果如下：

参数	含义
title	文章标题
digest	文章描述
url	文章链接
thumb_url	文章展示图

保存数据到CSV文件

当然，我们获取数据并不是为了在控制台去打印，而是为了导出数据。所以，我们将上面的数据打包到CSV文件中保存起来。

示例如下：

result = requests.post(url=url, data=json.dumps(data), headers=headers)
result.encoding = result.apparent_encoding
print(result.encoding)
result = json.loads(result.text)
count = int(result['total_count'])

#替换下面的代码
ulist = ["_id", "title", 'digest', 'url', 'thumb_url']
# 保存数据到csv文件
new_item_csv = 'week'
with open('{}.csv'.format(new_item_csv), 'w', encoding='utf-8-sig', newline='') as f:
    writer = csv.writer(f, dialect='excel')
    writer.writerow(ulist)
    for i in range(0, count):
        data['offset'] = i
        result = requests.post(url=url, data=json.dumps(data), headers=headers)
        result.encoding = result.apparent_encoding
        result = json.loads(result.text)
        for item in result['item'][0]['content']['news_item']:
            writer.writerow([count_id, item["title"], item["digest"], item["url"], item["thumb_url"]])
            count_id += 1

这里，只需要改count = int(result[‘total_count'])代码下面的所有数据即可。上面的代码保持不变。