用 Python 爬取微信公众号推送文章

背景介绍：

从四月份开始接触微信爬虫，到今天正式将数据导入线上数据库，历时三个多月。虽然中间有其它工作安排进来，但这期间，微信文章爬取一事始终放在心上。爬取内容，130 个与区块链相关的微信公众号的实时推送文章

在解决这些问题的过程中，花了不少时间和精力，但确实感觉长进不少。记录下爬取文章过程中遇到的几个大问题及解决方法

整体框架：

微信机器人框架 ItChat
爬虫框架 Scrapy
无头浏览器 PhantomJS

爬取流程

1.使用 ItChat 获取微信链接

2.Scrapy 爬取内容

3.MongoDB存储数据，图片存七牛

流程图：

image

注意：

微信号是个大问题，必须要能登录网页版微信的微信号，并且要常用的，不然很容易被封

具体问题：

1.怎么获取微信文章的链接

使用 xml.etree.ElementTree 解析 xml 获取 图片和 url

2.怎么将链接传到爬虫项目并启动爬虫

将爬虫部署在 Scrapyd，用 schedule.json 设置参数启动

3.怎么确保程序不退出

在 while(True) 里面执行微信登录

4.怎么获取微信文章的发布时间（由于最近微信文章改版，需要点击时间后才能显示年月日）

使用 Selenium 和 PhantomJS 模拟点击操作

5.怎么生成一键关住微信公众号的链接

从微信号文章里获取 biz (手动获取)，生成链接 https://mp.weixin.qq.com/mp/profile_ext?action=home&__biz=MjM5MTc3MDcwNw==#wechat_redirect

以上是几个主要问题，在实际开发中还有很多细节问题，由于代码还不够成熟，暂未开源，项目会继续改进，时机成熟会考虑将项目开源